基于改進DANN遷移學習的軸承壽命預測方法

徐嘉杰　沈艷霞

摘 要 為解決不同工況下軸承壽命預測精度受限的問題，提出一種基于Wasserstein距離改進的領域對抗網絡（DANN）遷移學習的軸承壽命預測方法。在IEEE PHM Challenge 2012軸承數據集上進行實驗，結果表明：對比多種遷移學習方法，筆者所提WDANN方法能夠有效提高不同工況下軸承壽命預測精度。

關鍵詞 軸承 剩余壽命預測 遷移學習 領域對抗 Wasserstein距離

中圖分類號 TP206.3；TP911.7? ?文獻標識碼 A? ?文章編號 1000-3932（2023）04-0493-08

在現代工程機械中，滾動軸承是最容易損壞的關鍵部件之一。對軸承進行準確的剩余使用壽命（RUL）預測，能提高設備系統的安全性和可靠性，降低運營維護成本，對實現系統的預測性維護具有重要參考價值。近年來，隨著人工智能的快速發展，基于深度學習的RUL預測技術成為研究熱點。REN L等采用卷積神經網絡結合頻譜主能量向量特征，提出向后平滑的方法來解決預測結果的不連續性問題［1］。LIU R N等建立了一種聯合損失的卷積神經網絡，共享了部分參數和網絡，提高了模型的泛化能力和預測準確性［2］。上述方法雖然均取得了不錯的預測效果，但都建立在實驗軸承同工況且數據同分布的情況下，無法滿足實際工程應用中變工況預測的要求。

遷移學習是指將一個領域學習到的知識應用到另一個領域上去適應新的任務，目前已經提出一些基于遷移學習的軸承故障診斷方法。例如REN Y等提出一種多尺度樣本熵的特征遷移方法來提取故障特征［3］。LI J P等使用一種全局-局部的動態對抗網絡，計算兩個分布的相對比例以提取公共故障特征，進一步提高了故障識別的準確率［4］。但是在軸承壽命預測領域的應用卻相對較少。

為了解決不同工況下軸承壽命預測的問題，筆者提出一種基于Wasserstein距離改進的領域對抗網絡（WDANN）遷移學習模型。模型主要分3部分：特征提取器、領域判別器和壽命預測模塊。其中特征提取器用于挖掘源域和目標域軸承的退化特征。用Wasserstein距離改進DANN的損失函數，量化分布之間的距離。再將WDANN作為領域判別器和特征提取器進行對抗訓練，不斷迭代獲得具備領域無關性的公共特征。最后，將公共特征輸入壽命預測模塊進行軸承RUL預測。

1 模型構建

1.1 CNN-LSTM特征提取器

由于LSTM隱藏層是全連接網絡，對于高維數據的特征提取效果并不好，并且無法充分利用時間序列的局部信息。CNN由于其卷積和池化的特性，能夠進行特征降維并提取局部特征。結合CNN和LSTM的各自優勢，筆者采用CNN-LSTM作為特征提取器，其結構如圖2所示。首先CNN對高維特征進行降維特征提取，然后LSTM進一步學習時序信息，最后通過全連接網絡輸出特征。

1.2 Wasserstein領域對抗網絡（WDANN）

領域對抗網絡（DANN）［6］引入了生成對抗的思想，通過特征提取器和領域判別器兩者迭代對抗反饋的方式，降低源域和目標域之間的分布差異。對抗訓練過程如圖3所示。

1.3 整體預測模型的構建

2 實驗驗證

2.1 數據集

選取IEEE PHM 2012軸承數據集［9］進行壽命預測實驗，該數據集基于PRONOSTIA實驗平臺（圖5）獲取。通過調節電機速度和負載壓力模擬不同工況，由加速度傳感器收集振動信號。信號采樣頻率為25.6 kHz，每次采樣持續0.1 s，包含了2 560個數據點。實驗設置了3種工況，劃分情況見表2。本實驗中，將工況1作為源域，工況2作為目標域，進行由工況1到工況2的遷移學習。工況1所有7個軸承和工況2的2-1和2-2軸承作為訓練集，工況2其他5個軸承依次作為測試集進行RUL預測。

2.2 數據預處理

2.3 領域遷移結果

使用WDANN進行領域對抗遷移學習，將源域和目標域軸承提取到的特征進行對齊，縮小分布差異。為驗證WDANN的遷移效果，選取源域軸承1-7和2-6進行遷移前后特征分布對比［11］，使用Tsne進行降維可視化，結果如圖8所示。遷移前后概率密度函數如圖9所示。

通過圖8、9可以發現，遷移前兩個軸承的特征分布差異明顯，軸承2-6的特征集中于中部，而軸承1-7的特征集中于后半區域。在使用WDANN遷移之后，兩個軸承所提取特征的概率密度函數分布趨同，分布差異顯著縮小，提取到了公共特征。說明WDANN實現了良好的特征遷移效果，有利于后續進行軸承壽命預測實驗。

2.4 壽命預測結果

選取軸承2-6進行遷移前后的預測效果展示，如圖10所示。可以看出，WDANN遷移學習后的RUL預測準確性明顯優于遷移前。在中后期樣本中，遷移后的預測值可以更好地貼近實際值。

選取前中后期各50個樣本進行RUL預測效果和誤差展示，如圖11所示。曲線下方的誤差棒表示各樣本點的預測誤差［12］。可以看出，在前期和中期樣本中，遷移后的預測誤差相較于遷移前有大幅降低，后期樣本中兩者相對平衡。說明WDANN遷移學習后，所提取的公共特征對退化趨勢具有更好的表示能力，由此提高了預測效果。

針對工況2下目標域的5個測試軸承，計算遷移前后的誤差值，結果見表3。可以看出，經過WDANN遷移后，軸承的平均絕對誤差和均方根誤差均有所降低。

2.5 不同遷移方法對比

為評價WDANN遷移學習方法相較于其他遷移學習方法的優勢，選取經典遷移方法TCA［13］、MMD［14］和DANN［15］做對比，為保證結果的有效性，測試中僅替換WDANN域適應方法為上述方法，其余部分不變。在軸承2-6上的預測誤差對比見表4。可以看出，WDANN遷移學習方法相較于其他3種方法，誤差最小，預測性能均有提升。

3 結束語

筆者針對滾動軸承變工況壽命預測的問題，提出基于Wasserstein距離改進的DANN遷移學習方法。利用CNN-LSTM網絡在降維和提取時序特征方面的優勢，充分挖掘軸承的退化特征。利用Wasserstein改進領域對抗網絡，量化并減小分布差異，最終提取領域無關的公共特征。設計遷移前后的對比實驗和不同遷移方法的軸承壽命預測對比實驗，結果表明，該方法能夠有效減小特征的分布差異，提高軸承壽命預測的精度。

參 考 文 獻

［1］ REN L，SUN Y Q，WANG H，et al.Prediction ofBearing Remaining Useful Life with Deep Convolution Neural Network［J］. IEEE Access，2018，6：13041-13049.

［2］ LIU R N，YANG B Y，HAUPTMANN A G.Simultaneous Bearing Fault Recognition and Remaining Useful Life Prediction Using Joint-Loss Convolutional Neural Network［J］.IEEE Transactions on Industrial Informa-tics，2020，16（1）：87-96.

［3］ REN Y，LI Y B，WANG X Z，et al.A Novel Bearing Fault Diagnosis Method Based on Multi-scale Transfer Sample Entropy［C］//2020 11th International Conference on? Prognostics and System? Health? Management（PHM-2020 Jinan）.IEEE，2020.DOI：10.1109/PHM-Jinan48558.2020.00048.

［4］ LI J P，HUANG R Y，XIA J Y，et al.A Global-Local Dynamic Adversarial Network for Intelligent Fault Diagnosis of Spindle Bearing［C］//2021 IEEE International Instrumentation and Measurement Technology Conference（I2MTC）.IEEE，2021. DOI：10.1109/I2MTC50364.2021.9460061.

［5］ 唐旭，徐衛曉，譚繼文，等.基于LSTM的滾動軸承剩余使用壽命預測［J］.機械設計，2019，36（S1）：117-119.

［6］ YU C H，WANG J D，CHEN Y Q，et al.Transfer lear-?ning with dynamic adversarial adaptation network［C］//2019 IEEE International Conference on Data Mining（ICDM）.IEEE，2019：778-786.

［7］ ARJOVSKY M，CHINTALA S，BOTTOU L.Wasserstein GAN［J］.DOI：10.48550/arXiv.1701.07875.

［8］ 王玉靜，李少鵬，康守強，等.結合CNN和LSTM的滾動軸承剩余使用壽命預測方法［J］.振動、測試與診斷，2021，41（3）：439-446；617.

［9］ 王新剛，韓凱忠，王朝，等.基于遷移學習的軸承剩余使用壽命預測方法［J］.東北大學學報（自然科學版），2021，42（5）：665-672.

［10］ ? HAN T，LIU C，YANG W G，et al.A novel adversarial learning framework in deep convolutional neural net-work for intelligent diagnosis of mechanical faults［J］.Knowledge－Based Systems，2019，165：474-487.

［11］ ? MAO W T，HE J L，ZUO M J.Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（4）：1594-1608.

［12］ ? 陳佳鮮，毛文濤，劉京，等.基于深度時序特征遷移的軸承剩余壽命預測方法［J］.控制與決策，2021，36（7）：1699-1706.

［13］? ?LONG M S，CAO Y，WANG J M，et al.Learning tra－ nsferable features with deep adaptation networks［C］//Proceedings of the 32nd International Conference on Machine Learning.2015：97-105.

［14］? ?CAO Z J，LONG M S，WANG J M，et al.Partial transfer learning with selective adversarial networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.IEEE，2018.DOI：10.1109/CVPR.2018.00288.

［15］ 施杰，伍星，柳小勤，等.變分模態分解結合深度遷移學習診斷機械故障［J］.農業工程學報，2020，36（14）：129-137.

（收稿日期：2022-11-18，修回日期：2023-06-13）

A Bearing Life Prediction Method Based on Improved

DANN Transfer Learning

XU Jia－jie， SHEN Yan－xia

（College of IoT Engineering，? Jiangnan University ）

Abstract? ?For purpose of solving limited accuracy of bearing life prediction under different operating conditions， a bearing life prediction method based on Wasserstein distance improved－domain adversarial network （DANN） migration learning was proposed. Experiments conducted on the IEEE PHM Challenge 2012 bearing dataset show that， as compared to traditional migration learning methods， the proposed method is effective in improving the accuracy of bearing life prediction under different operating conditions.

Key words? ?bearing， RUL prediction， transfer learning， domain adverse， Wasserstein distance