無監督對抗遷移學習軸承故障診斷*

袁海飛，尹洪申，俞 嘯

(1.徐州徐工挖掘機械有限公司,徐州 221008；2.中國礦業大學物聯網(感知礦山)研究中心，徐州 221008；3.中國礦業大學信息與控制工程學院，徐州 221116)

0 引言

滾動軸承作為旋轉機械的重要部件之一，常常受到各種環境因素的干擾，極易發生故障[1]。滾動軸承一旦發生故障，輕則會影響機械設備的工作效率，重則導致人員傷亡[2-3]，因此需要確保軸承在機械設備中的健康運行。

傳統的軸承診斷通常是針對軸承的振動信號進行分析，經驗模態分解(empirical mode decomposition,EMD)將非平穩、非線性的振動信號分解成不同頻率的本征模態函數(intrinsic mode function,IMF)，在故障診斷中受到了廣泛的應用[4-5],但EMD分解存在端點效應和模態混疊等問題。針對模態混疊等問題，WU等[6]提出了EEMD，在振動信號中加入高斯白噪聲來解決IMF不連續引起的模態混疊。唐靜等[7]將采集到的信號通過EEMD分解，提取信號的能量特征和時域特征構造故障特征向量進行診斷。雖然傳統的軸承故障診斷方法在某些特定情況下取得不錯的效果，但這些方法使用時都需要大量的先驗知識和經驗，因此在變工況中很難對復雜故障建立有效診斷模型。

近年來，隨著深度學習的快速發展，越來越多的深度學習方法被應用到軸承故障診斷領域[8]，遷移學習作為深度學習的分支，能夠將學習到的知識遷移到不同的任務中[9]，進行知識泛化，實現跨領域的識別。邵海東等[10]通過源域訓練得到性能良好的深度模型，將模型遷移到目標域中，并通過目標域少量的訓練樣本微調模型，減小源域與目標域之間損失函數。……