基于無監督深度遷移學習的軸承故障診斷

黃凱

（江蘇徐工信息技術股份有限公司 江蘇省徐州市 221000）

隨著工業大數據和物聯網在工業4.0 背景下的快速發展，工業設備的預測和健康管理(PHM)變得越來越重要，導致工業設備的智能維護系統越來越多[1]。而軸承是現代機械中必不可少的部件，因此保證軸承的正常運行十分必要[2]。

基于機器學習的軸承故障診斷中存在特征難以提取、人員經驗要求高以及準確率低等問題。隨著科學技術的發展，人工智能領域在各個方向中漸漸嶄露頭角，將傳統的軸承故障診斷與人工智能相結合，迅速成為故障診斷研究領域的熱點[3][4]。然而在采煤機實際運行過程中不僅工作場景和工況條件不同而且軸承數據在不同條件下分布也不同，新采集的數據往往標簽缺失，甚至無法標記，因此需要通過無監督遷移學習來解決這一問題[5]。

針對傳統軸承面臨的一些問題，專家們提出了運用深度學習的方法來解決傳統軸承故障問題。莊雨旋等[6]提出一種基于長短時記憶網絡的故障診斷方法；趙敬嬌等[7]利用殘差連接卷積神經網絡進行故障診斷。針對故障數據少，黃南天等[8]提出非平衡小樣本軸承對抗診斷，生成大量故障數據。但以上方法都無法徹底解決不同場景條件下的軸承數據無標簽問題，基于此提出了一種基于無監督深度遷移學習的軸承故障診斷的方法。

1 理論背景

1.1 遷移學習的概述

遷移學習在目前各個領域研究中都受到了廣泛關注，并且在計算機視覺中取得巨大成功，而特征遷移學習是遷移學習中最熱門的研究方法。通過在實驗室可以獲得大量有標記的源域數據，然后通過建立的分類器模型對不同場景中不同工況條件下采集的無標簽軸承數據進行預測分類。將實驗室獲取的源域數據設為其中xi是源域中的第i 個樣本，Xs是所有源域樣本的集合。新采集的數據為目標域Xt是所有目標域樣本的集合，xj是目標域第j 個樣本。ni、mj為標簽的樣本總數。遷移學習通過源域的軸承故障數據和標簽去建立一個樣本到標簽的分類器函數f(.)，然后對目標域的標簽進行預測分類。

1.2 深度殘差網絡

2015年提出的深度殘差網絡（ResNet）在當年ImageNet 數據集分類中獲得了比賽冠軍[9]。ResNet 解決了當時深度網絡退化問題，而且還具有較強的特征提取能力。盡管ResNet50 和ResNet101出鏡率很高，但綜合考慮數據集的大小，選取了ResNet18 作為特征提取器，ResNet18 網絡含有四個殘差塊，結構如圖1所示，具體網絡結構包括卷積層( Convolutional Layer,Conv) 、批標準化(Batch Nor-malization,BN)，線性修正單元 (Rectified LinearUnit,ReLu)，ReLu 是一種激活函數，全連接層(Fully Con-nected Layer,FC)[10]。

圖1：殘差塊內部結構

1.2 多核最大均值差異

多核最大平均差異（MultiKerner-Maximum Mean Discrepancy,MK-MMD）是基于單核最大差異（MMD）變換而來，目的是為了解決不同內核的參數選擇。因為在實際應用過程中，各種內核的參數和表征能力不同，每種內核的選擇都會對映射的最終性能起到至關重要的影響，因此選用MK-MMD 來度量再生核希爾伯特空間的分布距離，提升自適應的效率得到更好的表征能力。通過在無監督深度遷移學習的軸承故障診斷模型中的損失函數中加入MK-MMD來衡量源域與目標域之間的邊緣分布差異。損失函數定義如下：

2 無監督深度遷移學習故障診斷

2.1 模型設計

選取ResNet18 作為特征提取器，將源域與目標域的數據送入到訓練好的ResNet18 中，為了更好的實現特征的提取，選用MKMMD 作為優化目標來減少源域與目標域之間的特征分布差異，同時源域與目標域之間參數共享。將經過MK-MMD 空間映射過的數據作為全連接的輸入，在經過softmax 函數，最后得到標簽的預測分類。模型的設計如圖2所示。

圖2：無監督深度遷移學習故障診斷模型

圖中骨干網絡為ResNet18，但是對于無監督深度遷移學習故障診斷，目標域中的數據無法進行標記導致目標域標簽不可用，因此使用瓶頸層，瓶頸層由Fc 層、ReLu 激活函數和Droput 層組成。從圖中可知我們僅使用源域的樣本進行模型的訓練，而沒有使用目標域的樣本，訓練后的模型直接測試目標域中的樣本，源域與目標源模型和參數共享。

2.2 數據處理

首先將實驗臺中采集的振動數據進行簡單的預處理，將原始的振動信號通過快速傅里葉（FFT）變換到頻域，由于頻譜系數是對稱的，每個樣本長度為512。將數據集劃分為訓練集、測試集和評估集。

3 實驗結果與分析

3.1 實驗數據集

為保證軸承故障診斷方法的真實有效性，選取美國凱斯西儲大學（Case Western ReserveUniversity,CWRU）的軸承故障診斷數據集。實驗工作臺包括電機、軸承、轉矩傳感器、編碼器等其他電子設備，數據集按照采樣頻率和軸承端可分為12kHz 驅動端、48kHz 驅動端、12kHz 風扇端。數據中內圈、外圈、滾動體的損傷按照損傷的直徑大小可分為0.007inch、0.014inch、0.021inch 三種。每種采樣頻率的數據集中各包含一個健康的軸承，因此數據集中包含10 種不同的故障種類，10 種類別描述如表1所示。

表1：10 種類別描述

CWRU 數據集中按照電機轉速的不同可分為0HP、1HP、2HP、3HP。我們將不同的馬力之間相互遷移，數據集中共有12 個遷移學習策略。

3.2 實驗結果與分析

在Pytorch中對無監督深度遷移學習的軸承故障診斷進行實驗。每個模型的訓練次數為300 個epoch，在訓練過程中，將源域樣本先訓練預訓練模型，然后在進行遷移學習的訓練。使用Adam 進行反向傳播，batchsize 選取64。設初試學習率為0.001，在訓練到100 和200epoch 時。學習率分別乘以一個衰減系數0.1，實驗結果如表2所示。

表2：遷移實驗結果

為了更直觀的比較12kHz 驅動端、12kHz 風扇端和48kHz 驅動端的不同工況相互遷移分類情況，采用了柱狀圖和雷達圖共同表示分類結果。柱狀圖如圖3所示，雷達圖如圖4所示。

圖3：不同工況相互遷移分類結果

圖4：不同工況相互遷移分類結果

從圖3 中遷移分類結果可以看出分類準確率最高為12kHz 驅動端，平均準確率達到了99.9%；其次為12kHz 風扇端平均準確率為95.6%；最低的為48kHz 驅動端只有92.4%。隨著采樣頻率的提升可知不同工況遷移準確率在下降，從圖4 中可以直觀的看出采樣頻率為12kHz 驅動端在各種遷移分類的準確率都比12kHz 風扇端和48kHz 驅動端要高。而且從圖4 中可以看出在1HP 到2HP、2HP到1HP、2HP 到3HP 和3HP 到2HP 這四種工況遷移結果在三種采樣頻率和驅動端都有較好的表現。

5 結論

本文針對采煤機在實際運行過程中因為不同的工作場景和不同的工況分布而造成無法對采集的軸承數據進行標記的問題，提出了一種基于無監督深度遷移學習的軸承故障診斷的方法。將源域與目標域中的數據通過ResNet18 提取特征，然后將ResNet18 提取到的特征通過MK-MMD 空間映射后作為全連接的輸入，輸入的數據經過交叉熵損失函數，最后得到標簽的預測分類。并在CWRU 數據集中進行了驗證，證明該方法的有效性。