變工況及小樣本情況下滾動軸承故障遷移學(xué)習(xí)方法綜述

鄔娜, 王健, 楊建偉*, 呂百樂

(1.北京建筑大學(xué)機(jī)電與車輛工程學(xué)院, 北京 100044; 2.城市軌道交通車輛服役性能保障北京市重點(diǎn)實(shí)驗(yàn)室, 北京 100044)

目前,旋轉(zhuǎn)機(jī)械正廣泛地用于航空航天、軌道車輛、重型裝備建造等重要的工程領(lǐng)域,這些領(lǐng)域都與國家的發(fā)展息息相關(guān)[1]。并且旋轉(zhuǎn)機(jī)械正逐漸走向智能化、自動化、多功能化,所以對其設(shè)計精度有著嚴(yán)格的要求。開展機(jī)械設(shè)備的狀態(tài)監(jiān)測、檢測、診斷和預(yù)測,從而使機(jī)械可以連續(xù)穩(wěn)定運(yùn)轉(zhuǎn),減少因機(jī)械停止而導(dǎo)致的經(jīng)濟(jì)損失和維修帶來的人工成本浪費(fèi),最重要的是降低重大事故發(fā)生的概率,在工業(yè)生產(chǎn)中起著舉足輕重的作用。設(shè)備的狀態(tài)可以通過對設(shè)備的故障診斷準(zhǔn)確判斷出[2]。在旋轉(zhuǎn)機(jī)械設(shè)備中,滾動軸承又是最重要的部件之一,通常用來支撐旋轉(zhuǎn)體,減小摩擦力及保證回轉(zhuǎn)精度等[3]。并且由于長時間的旋轉(zhuǎn),滾動軸承通常會有著各類故障產(chǎn)生,如磨損、變形等[4]。滾動軸承的受損輕則會影響機(jī)械設(shè)備的性能,重則會導(dǎo)致嚴(yán)重的工程問題發(fā)生[5]。所以,軸承的監(jiān)測及故障預(yù)測十分必要。在實(shí)際進(jìn)行診斷任務(wù)中,由于軸承振動信號特點(diǎn)明確、便于獲取,所以軸承故障診斷大多以振動信號為待檢測樣本進(jìn)行分析。對于變工況及小樣本條件下的軸承故障診斷方法主要有兩種。第一種是對振動信號處理的方法,如模態(tài)分解[6]、經(jīng)驗(yàn)?zāi)B(tài)分解[7]、奇異值分解[8]等。Jin等[9]提出一種基于參數(shù)優(yōu)化變分模態(tài)分解(variational mode decomposition,VMD)和改進(jìn)深度信念網(wǎng)絡(luò)(deep belief neural,DBN)的列車軸箱軸承微弱故障診斷方法。首先,將非線性收斂因子、Levy飛行理論和貪婪算法優(yōu)化理論引入灰狼優(yōu)化算法(grey wolf optimization,GWO)中,提出了一種基于混合策略的改進(jìn)GWO算法,以提高算法性能,解決算法的局部最優(yōu)問題。其次,將改進(jìn)的GWO應(yīng)用于VMD參數(shù)的優(yōu)化,用于信號分解。并利用多尺度散射熵提取相關(guān)系數(shù)最大的模態(tài)分量的故障特征信息。最后,應(yīng)用改進(jìn)的GWO算法對DBN參數(shù)進(jìn)行優(yōu)化,解決了參數(shù)設(shè)置問題,并將優(yōu)化后的DBN作為軸承弱故障診斷的模式識別算法。通過實(shí)驗(yàn)對比分析,該方法能有效解決軸箱軸承微弱故障診斷問題,具有較高的診斷精度。李博文等[10]提出通過引入功率譜細(xì)化的思想改進(jìn)小波包變換,再結(jié)合布谷鳥搜索(cuckoo search,CS)優(yōu)化反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的診斷方法。首先,通過改進(jìn)的小波變換對螺桿泵有功功率分解重構(gòu)得到特征向量;其次,與瞬時流量、進(jìn)口回壓等參數(shù)進(jìn)行歸一化處理,作為BP神經(jīng)網(wǎng)絡(luò)的輸出層信息。最后,使用布谷鳥搜索尋優(yōu)得到BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,建立CS-BP故障診斷模型;在與其他網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)中發(fā)現(xiàn)所提網(wǎng)絡(luò)具有優(yōu)越性。李夢圓等[11]提出了一種基于鯨魚優(yōu)化算法的共振解調(diào)自適應(yīng)軸承故障診斷方法。首先,利用鯨魚優(yōu)化算法,以峭度和包絡(luò)譜峭度構(gòu)建的復(fù)合峭度為優(yōu)化目標(biāo),自適應(yīng)地選擇帶通濾波器的中心頻率和帶寬參數(shù)。然后,利用優(yōu)化搜索得到的最佳中心頻率和帶寬對軸承故障信號進(jìn)行濾波和分析。最后,對濾波后的信號進(jìn)行包絡(luò)解調(diào),提取故障特征頻率,判斷軸承故障類型。通過對模擬信號和軸承內(nèi)外圈故障信號的分析和診斷,可以證明該方法能夠滿足共振解調(diào)方法對共振頻率帶選擇的要求。陳志剛等[12]提出了一種基于蚱蜢優(yōu)化算法(gasshopper optimization algoithm,GOA)和優(yōu)化支持向量機(jī)(support vector machines,SVM)的視覺分子動力學(xué)(VMD)特征提取方法。故障診斷方法。首先,采用貪婪策略對滾動軸承的振動信號數(shù)據(jù)進(jìn)行預(yù)處理,然后根據(jù)振動信號數(shù)據(jù)的變分模態(tài)分解得到多個本征模態(tài)函數(shù)(inrinsic modefunction,IMF)分量,接著計算每個IMF分量的能量和時頻特征,形成多模態(tài)特征矩陣,最后利用蚱蜢優(yōu)化算法優(yōu)化的支持向量機(jī)進(jìn)行故障診斷和識別。最后,采用蚱蜢算法優(yōu)化的支持向量機(jī)來診斷和識別故障。通過實(shí)驗(yàn)測試從大量數(shù)據(jù)中獲得的滾動軸承故障診斷結(jié)果表明,VMD-GOA-SVM不僅能識別滾動軸承的不同故障類型,而且與傳統(tǒng)方法相比具有更高的準(zhǔn)確性和效率。

第二種為數(shù)據(jù)驅(qū)動的故障診斷方法,主要包括基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和遷移學(xué)習(xí)方法。劉萬宇等[13]將第一層為寬卷積核的深度卷積神經(jīng)網(wǎng)絡(luò)(wide convolutional neural network,WDCNN)和深度長短時記憶網(wǎng)絡(luò)(deep long long short-term memory,DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN將傳統(tǒng)的CNN第一層卷積核尺寸加寬,提高了模型對一維振動信號中的空間特征信息的提取能力,DLSTM將多個LSTM模塊進(jìn)行堆疊,提高了模型對一維振動信號中時序信息的提取能力。慎明俊等[14]針對滾動軸承退化數(shù)據(jù)的復(fù)雜性和傳統(tǒng)的壽命預(yù)測方法不能充分利用數(shù)據(jù)的相關(guān)性從而導(dǎo)致預(yù)測精度不高的問題,提出了一種基于融合深度置信神經(jīng)網(wǎng)絡(luò)(DBN)和長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的剩余壽命預(yù)測模型。該模型首先采用帶通濾波降噪對滾動軸承振動數(shù)據(jù)進(jìn)行去噪,然后依據(jù)均方根特征和峭度特征在軸承全壽命周期內(nèi)的趨勢圖確定模型的預(yù)測起始點(diǎn)。其次利用優(yōu)化后的4層DBN網(wǎng)絡(luò)完成深度特征提取并用于LSTM的訓(xùn)練與測試。陳科等[15]提出了一種多種深度學(xué)習(xí)模型決策融合的故障診斷分類方法,構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)和改進(jìn)堆棧去噪自動編碼器(stacked denoising autoencoders,SDAE)的混合網(wǎng)絡(luò)模型,并基于改進(jìn)的(dempster-shafer,D-S)證據(jù)理論實(shí)現(xiàn)了決策級融合診斷。將時頻信號作為CNN的輸入,將頻域信號作為SDAE的輸入,使用Adam優(yōu)化算法以及dropout和批量歸一化技術(shù)對混合模型進(jìn)行訓(xùn)練。這些方法可自動提取振動信號的特征信息,也有著十分優(yōu)秀的準(zhǔn)確率,在軸承故障診斷領(lǐng)域被廣泛使用。

上述方法在解決問題時也有著適用前提:①需要有足夠的待檢測樣本;②訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)需滿足獨(dú)立分布[16]。然而在實(shí)際的工程當(dāng)中,軸承的運(yùn)轉(zhuǎn)是變載荷、變轉(zhuǎn)速的,不同的載荷及轉(zhuǎn)速會導(dǎo)致信號的幅值、脈沖間隔等數(shù)值發(fā)生改變。對振動信號的采集有一定干擾,導(dǎo)致故障診斷精度下降[17]。因此,在變工況條件下,僅靠單一的特征提取方法無法滿足變工況下的信號分析。針對變工況問題,主要有實(shí)例加權(quán)、特征遷移、特征適配等方法。并且,由于各試驗(yàn)臺數(shù)據(jù)并不完全一致,從而有些特定故障類別的樣本的采集數(shù)量稀少,導(dǎo)致診斷效果較差。若對樣本進(jìn)行單獨(dú)標(biāo)注又會花費(fèi)大量時間,并且在以后的診斷任務(wù)中可能不會再遇到相似類別,造成人力資源浪費(fèi)。針對小樣本遷移問題,目前主要有參數(shù)遷移和域適配等方法。現(xiàn)整理總結(jié)了近些年在變工況及小樣本遷移問題的診斷方法,總結(jié)其適用條件、所具備優(yōu)勢及不足、歸納現(xiàn)存問題并且對今后的研究方向進(jìn)行展望,為后續(xù)研究提供一定思路。

1 遷移學(xué)習(xí)

Hinton等[18]提出了利用逐層貪婪預(yù)訓(xùn)練和反向調(diào)優(yōu)來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(deep belief networks,DBN),解決了深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的難題,并提出了深度學(xué)習(xí)概念[19];Krizhevsky等[20]提出利用模型并行ReLU,Dropout等訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN),在ILSVRC—2012競賽上,大幅超越了傳統(tǒng)機(jī)器學(xué)習(xí)方法精度,開啟了深度學(xué)習(xí)的研究熱潮;Yosinski等[21]利用試驗(yàn)研究了深度神經(jīng)網(wǎng)絡(luò)不同層的可遷移性,對深度遷移學(xué)習(xí)、提供了非常高的指導(dǎo)意義。Long等[22]提出將深度神經(jīng)網(wǎng)絡(luò)與多核最大均值差異(maximum mean discrepancy,MMD)進(jìn)行多層聯(lián)合適配,是無監(jiān)督域適配領(lǐng)域經(jīng)典遷移學(xué)習(xí)方案之一。Ganin等[23]提出將深度神經(jīng)網(wǎng)絡(luò)與對抗訓(xùn)練結(jié)合進(jìn)行深度遷移學(xué)習(xí),是無監(jiān)督域適配領(lǐng)域經(jīng)典遷移學(xué)習(xí)方案之一。中外學(xué)者在故障診斷中正泛使用遷移學(xué)習(xí)方法。黃健豪等[24]提出了一種基于核范式最大化和無監(jiān)督遷移學(xué)習(xí)(transfer learning,TL)的軸承故障診斷方法。該方法使用結(jié)構(gòu)優(yōu)化的深度卷積神經(jīng)網(wǎng)絡(luò)(structure optimized deep convolutional neural networks,SOCNN)進(jìn)行故障特征提取,利用最大均值差異(MMD)提升源域和目標(biāo)域的分布相似度,并結(jié)合快速批核范式最大化(fast batch nuclear-norm maximization,FBNM)來提升目標(biāo)域批量輸出矩陣的可分辨性和多樣性。丁津律等[25]提出將遷移學(xué)習(xí)的思想與卷積神經(jīng)網(wǎng)絡(luò)(CNN)相結(jié)合,以此解決目標(biāo)域樣本不足導(dǎo)致訓(xùn)練效果不佳的問題,同時利用主成分分析(principal component analysis,PCA)對時序數(shù)據(jù)進(jìn)行精簡,提高運(yùn)行率,形成配電網(wǎng)故障診斷方法。首先分析PCA和CNN的結(jié)構(gòu)特征,模擬不同的故障情況,生成面向CNN的時間序列數(shù)據(jù)。然后通過最大均值差法(MMD)選擇最適合遷移的源域數(shù)據(jù),建立源域故障識別的預(yù)訓(xùn)練模型。最后,利用目標(biāo)域數(shù)據(jù),在預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行遷移微調(diào)訓(xùn)練,得到故障診斷模型。

目前,遷移學(xué)習(xí)是滾動軸承故障診斷的有效方法。在軸承故障診斷過程中主要包括樣本不匹配問題、故障特征較弱問題、變工況導(dǎo)致的遷移效果不理想的問題。

2 遷移學(xué)習(xí)方法

遷移學(xué)習(xí)主要有實(shí)例加權(quán)、參數(shù)遷移、特征適配和域自適應(yīng)等幾種方法。

2.1 參數(shù)遷移

參數(shù)遷移基于相關(guān)任務(wù)之間會共享一些相同的簇標(biāo)簽[26],而相似任務(wù)之間會共享一些相同的簇標(biāo)簽,對于不同任務(wù)間的相同簇標(biāo)簽對應(yīng)的模型參數(shù)應(yīng)該是相似的,所以參數(shù)遷移方法指保證在其他數(shù)據(jù)上得到訓(xùn)練的模型部分參數(shù)不變,調(diào)整另一部分參數(shù)已達(dá)到對滾動軸承進(jìn)行故障診斷。參數(shù)遷移主要用于目標(biāo)任務(wù)與原始任務(wù)數(shù)據(jù)分布較為相似,源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)可以通過函數(shù)表示,并且函數(shù)之間存在某些共同的參數(shù),參數(shù)遷移方法就是尋找源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)之間可以共享的參數(shù)信息從而使獲得的知識遷移。邵海東等[26]提出了一種自編碼網(wǎng)絡(luò)模型,首先通過現(xiàn)有數(shù)據(jù)理想數(shù)據(jù)對網(wǎng)絡(luò)預(yù)訓(xùn)練,并借助少量訓(xùn)練樣本對網(wǎng)絡(luò)參數(shù)調(diào)優(yōu),完成網(wǎng)絡(luò)優(yōu)化,從而提升小樣本下的網(wǎng)絡(luò)準(zhǔn)確率。Shao等[27]利用在imageNet上預(yù)訓(xùn)練的AlexNet模型,將振動信號轉(zhuǎn)為二維圖對網(wǎng)絡(luò)參數(shù)調(diào)優(yōu)處理,在小樣本情況下提升齒輪和軸承的診斷精度。Chen等[28]提出了可遷移卷積網(wǎng)絡(luò)模型,對網(wǎng)絡(luò)參數(shù)微調(diào)后構(gòu)建出新的網(wǎng)絡(luò)模型,從而實(shí)現(xiàn)故障診斷。

2.2 特征適配

特征適配方法指在源域和目標(biāo)域間尋找典型特征弱化兩域之間的差異來減小源域和目標(biāo)域數(shù)據(jù)特征分布差異,從而變工況下對知識的遷移應(yīng)用。雷亞國等[29]受腫瘤靶向治療的啟發(fā),提出故障靶向遷移方法,過假設(shè)在目標(biāo)域數(shù)據(jù)中存在少量的標(biāo)簽數(shù)據(jù),稱為制導(dǎo)錨點(diǎn),根據(jù)制導(dǎo)錨點(diǎn)與目標(biāo)域?qū)?yīng)關(guān)系,設(shè)置共享領(lǐng)域共享特征空間的靶向區(qū)域,最后通過規(guī)劃目標(biāo)區(qū)域相靶向區(qū)域移動的制導(dǎo)路徑,即制導(dǎo)錨點(diǎn)沿設(shè)定的制導(dǎo)路徑“吸附”可對齊的待檢測數(shù)據(jù),并將其“帶至”靶向區(qū)域,共解決以下三個問題。

(1)標(biāo)簽空間存在較大偏移且互相不對稱。采取措施:引入均值聚類算法,獲取目標(biāo)域待診斷樣本與制導(dǎo)錨點(diǎn)在深層特征空間中的分布與聚集關(guān)系。在深度卷積神經(jīng)網(wǎng)絡(luò)模型(deep convolution neural network, DCNN)的迭代訓(xùn)練過程中添加目標(biāo)域樣本的聚類損失函數(shù)為

(1)

式(1)能夠迫使待診斷樣本逐漸向與之具有相同簇標(biāo)簽的制導(dǎo)錨點(diǎn)聚攏,在擴(kuò)大類間距離的同時,提升樣本與錨點(diǎn)之間的隨動性。

(2)設(shè)備數(shù)據(jù)特征分布存在差異。采取措施:①設(shè)置靶向區(qū)域,用不同健康狀態(tài)分割特征空間,目標(biāo)域數(shù)據(jù)移動至對應(yīng)靶向區(qū)域;②規(guī)劃制導(dǎo)路徑。

(2)

當(dāng)?shù)趈個待診斷樣本與第i個源域樣本所在的靶向區(qū)域不同時,設(shè)置遠(yuǎn)距離制導(dǎo)路徑ε→+∞,則特征靶向適配時規(guī)避該路徑。考慮到深層特征空間為單位超球面,樣本間的最長制導(dǎo)路徑為π,因此取ε=10>π。故障診斷流程如下。目標(biāo)函數(shù)優(yōu)化步驟:①隨機(jī)初始化DCNN的模型參數(shù);②提取源域目標(biāo)域深層特征,用目標(biāo)域深層特征訓(xùn)練k均值聚類模型,生成簇標(biāo)簽并獲取關(guān)系矩陣Λ;③從源域與目標(biāo)域數(shù)據(jù)中隨機(jī)抽取批訓(xùn)練樣本,執(zhí)行交叉熵?fù)p失函數(shù)、聚類損失函數(shù)、源域目標(biāo)域分布差異計算損失函數(shù),選用Adam優(yōu)化算法更新DCNN模型;④重復(fù)以上步驟,直至達(dá)到設(shè)定迭代次數(shù)或損失函數(shù)收斂。經(jīng)驗(yàn)證,該模型有著十分優(yōu)秀的分類效果。Azamfar等[30]在網(wǎng)絡(luò)模型中使用最大均值差異MMD度量方法,提取數(shù)據(jù)的深層特征分布,從而獲得更好的分類精度。Michau等[31]將對抗網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合,構(gòu)建域?qū)惯w移學(xué)習(xí)網(wǎng)絡(luò),實(shí)現(xiàn)變工況下的滾動軸承故障診斷。

2.3 域自適應(yīng)

域自適應(yīng)指源任務(wù)和目標(biāo)任務(wù)相似,但是源域和目標(biāo)域的數(shù)據(jù)分布不同,并且源域有大量的標(biāo)記好的樣本,目標(biāo)域只有非常少甚至沒有標(biāo)記的樣本的遷移學(xué)習(xí)方法。域自適應(yīng)主要有數(shù)據(jù)分布、特征選擇和特征變換等角度。

2.3.1 基于數(shù)據(jù)分布角度的域自適應(yīng)

基于數(shù)據(jù)分布的域自適應(yīng)前提條件是源域和目標(biāo)域概率的分布應(yīng)相似,最小化概率分布差異。

陳仁祥等[32]結(jié)合深度注意力機(jī)制構(gòu)建出了一種遷移學(xué)習(xí)故障診斷方法(deep attention transfer learning,DATL),如圖1所示。

X為原始輸入信號;B為經(jīng)過兩次卷積池化操作后的信號;φ為權(quán)重矩陣;U為經(jīng)注意力機(jī)制學(xué)習(xí)后的新的特征;Y為網(wǎng)格生成器生成的采樣信號;V為采樣信號與特征U的乘積圖1 DATL網(wǎng)絡(luò)模型[32]Fig.1 DATL network model[32]

通過結(jié)合空間域與和通道域注意力機(jī)制各自的優(yōu)點(diǎn),構(gòu)建出結(jié)合空間和通道的注意力如圖2所示,卷積神經(jīng)網(wǎng)絡(luò)模型,并將每個通道的空間域信息進(jìn)行空間變換,從而提取每個通道的關(guān)鍵信息,并對源域和目標(biāo)域的數(shù)據(jù)進(jìn)行相似度量適配,實(shí)現(xiàn)變工況條件下的滾動軸承的故障診斷。Lu等[33]采用自編碼網(wǎng)絡(luò)和MMD縮小源域和目標(biāo)域數(shù)據(jù)的高維分布差異,從而提升遷移學(xué)習(xí)網(wǎng)絡(luò)模型的分類能力。Wen等[34]將源域和目標(biāo)域的自相關(guān)頻譜特征輸入進(jìn)行稀疏自編碼,并結(jié)合MMD損失函數(shù),從而提升網(wǎng)絡(luò)模型性能。雷亞國等[35]建立了一種遷移學(xué)習(xí)模型,將深度殘差網(wǎng)絡(luò)與領(lǐng)域適配正則項(xiàng)約束結(jié)合,該方法在無健康信息標(biāo)記情況下仍然可以可有效地進(jìn)行遷移學(xué)習(xí)診斷。Zhang等[36]提出了深度適配卷積神經(jīng)網(wǎng)絡(luò)診斷模型,利用MMD提升網(wǎng)絡(luò)對故障特征的分類能力,提高了滾動軸承故障診斷精度。Wang等[37]將遷移學(xué)習(xí)方法與殘差網(wǎng)絡(luò)、提取器及MMD相結(jié)合,對不同列樣本的特征進(jìn)行相似度量,可有效提升變工況下的軸承故障診斷精度。Han等[38]在模型中引入了梯度反轉(zhuǎn)層,使網(wǎng)絡(luò)進(jìn)行對抗訓(xùn)練,通過生成器及判別器的對抗逐步提升網(wǎng)絡(luò)的診斷能力。Yang等[39]將遷移學(xué)習(xí)與多層特征適配和偽標(biāo)簽學(xué)習(xí)方法結(jié)合,提升了模型的跨設(shè)備故障診斷能力。Li等[40]提出了一種多層域適配卷積神經(jīng)網(wǎng)絡(luò),通過引入高斯核函數(shù)并構(gòu)建損失函數(shù),對不同層的特征進(jìn)行域適配,經(jīng)過試驗(yàn)驗(yàn)證,該網(wǎng)絡(luò)有更好的分類能力。Zhu等[41]提出了一種深度遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò),在網(wǎng)絡(luò)中加入特征提取器并結(jié)合MMD度量方法,用以提升網(wǎng)絡(luò)在變工況下的故障分類能力。黃慶卿等[42]提出了多源域子域自適應(yīng)(multi-source subdomain adaption network,MS-SAN)方法。將源域及目標(biāo)域數(shù)據(jù)映射到公共特征空間并結(jié)合MMD方法實(shí)現(xiàn)域自適應(yīng)最終得到故障診斷結(jié)果,在不同工況數(shù)據(jù)的驗(yàn)證下有著較好的精確度。

圖2 空間注意力機(jī)制模塊[32]Fig.2 Spatial attention mechanism[32]

2.3.2 基于特征選擇角度的域自適應(yīng)

通過提取源域和目標(biāo)域共享某些特征,選出該部分公共特征并作為模型輸入從而實(shí)現(xiàn)基于特征選擇的域自適應(yīng)。Tang等[43]將長短時記憶網(wǎng)絡(luò)(LSTM)與熵增比(entropy gain ratio,EGR)方法結(jié)合,建立了熵增益比與半監(jiān)督可轉(zhuǎn)移長短時記憶網(wǎng)絡(luò)(EGR-semi-supervised transferable LSTM,EGR-STLSTM)。首先,ERG專門用于評估旋轉(zhuǎn)機(jī)械特征提取的多域特征。然后,將最優(yōu)特征子集輸入半監(jiān)督可轉(zhuǎn)移長短時記憶網(wǎng)絡(luò)(STLSTM),以獲得預(yù)訓(xùn)練網(wǎng)絡(luò)。最后,將半監(jiān)督遷移學(xué)習(xí)策略(即借助少量目標(biāo)標(biāo)注樣本)應(yīng)用于預(yù)訓(xùn)練模型,從而在目標(biāo)任務(wù)中獲得有競爭力的性能。所提出的EGR-SSTTLM網(wǎng)絡(luò)充分利用了旋轉(zhuǎn)機(jī)械的振動特性,并保留了從源領(lǐng)域獲得的專業(yè)知識。利用軸承試驗(yàn)臺和齒輪箱試驗(yàn)臺的原始振動信號對故障診斷方法進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,與眾所周知的方法相比,所提出的方法通過重復(fù)使用預(yù)訓(xùn)練模型顯著提高了診斷性能,并減少了在多變工況下對大量標(biāo)注樣本的需求。郭亮等[44]提出了一種跨數(shù)據(jù)集的變工況軸承故障診斷方法。該方法源域數(shù)據(jù)集為實(shí)驗(yàn)室條件下獲取的帶標(biāo)簽的數(shù)據(jù)集,采用帶領(lǐng)域適配正則約束項(xiàng)的一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征知識的深度遷移適配,進(jìn)而訓(xùn)練模型,最后將在實(shí)際工作環(huán)境中測得的數(shù)據(jù)作為目標(biāo)域進(jìn)行測試模型,實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。Yu等[45]提出一種保留部分特征的診斷方法,該方法通過故障敏感性以及故障特征相關(guān)性進(jìn)行特征選擇,實(shí)現(xiàn)故障診斷,經(jīng)過跨設(shè)備數(shù)據(jù)試驗(yàn)驗(yàn)證了所提方法的可行性。王琦等[46]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的滾動軸承故障診斷方法。首先,將采集到的軸承信號按不同工況分為源域和目標(biāo)域,對源域數(shù)據(jù)進(jìn)行標(biāo)注,對目標(biāo)域數(shù)據(jù)進(jìn)行部分標(biāo)注。其次,建立一維卷積神經(jīng)網(wǎng)絡(luò)模型并初始化模型參數(shù),用源域數(shù)據(jù)預(yù)訓(xùn)練一維CNN模型并保存預(yù)訓(xùn)練模型,然后將源域和目標(biāo)域數(shù)據(jù)分別輸入預(yù)訓(xùn)練模型。使用MMD度量預(yù)訓(xùn)練模型中每個卷積層和全連接層上源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的特征分布距離,然后根據(jù)計算出的特征分布距離判斷預(yù)訓(xùn)練模型中的卷積層和全連接層是否遷移,如果沒有遷移,則初始化該層,完成CNN模型。模型構(gòu)建完成后,利用目標(biāo)域中帶有標(biāo)記的部分?jǐn)?shù)據(jù)對模型進(jìn)行訓(xùn)練,得到遷移學(xué)習(xí)模型,并利用該模型對目標(biāo)域中的所有數(shù)據(jù)進(jìn)行分類和識別。故障診斷流程如圖3所示。通過兩個數(shù)據(jù)集對所提網(wǎng)絡(luò)進(jìn)行試驗(yàn)驗(yàn)證,分別為凱斯西儲大學(xué)(case western reserve university,CWRU)的軸承故障數(shù)據(jù)集[47]和HZXT-DS-001型雙跨綜合故障模擬實(shí)驗(yàn)臺數(shù)據(jù)集(圖4),軸承型號為NSK6038深溝球軸承,運(yùn)行狀態(tài)包括正常、內(nèi)圈故障、滾動體故障和外圈故障。軸承故障實(shí)驗(yàn)中,振動數(shù)據(jù)的采樣頻率設(shè)為8 kHz。其中,將CWRU數(shù)據(jù)集構(gòu)建為5組,編號分別為A、B、C、D、E,將HZXT-DS-001實(shí)驗(yàn)臺采集到的數(shù)據(jù)按CWRU數(shù)據(jù)集同樣本數(shù)量比例劃分,標(biāo)號為F。以A組為源域數(shù)據(jù)集,其他組別為目標(biāo)域數(shù)據(jù)集進(jìn)行遷移實(shí)驗(yàn)。經(jīng)過試驗(yàn)驗(yàn)證可知,基于一維CNN的遷移學(xué)習(xí)方法在5組遷移實(shí)驗(yàn)中的平均準(zhǔn)確率達(dá)到了99.72%且有一組實(shí)驗(yàn)準(zhǔn)確率為100%,兩組實(shí)驗(yàn)準(zhǔn)確率為99.99%,可以體現(xiàn)出該方法具有可行性及優(yōu)越性。

圖3 一維卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)流程圖[46]Fig.3 One-dimensional convolutional neural network migration learning flowchart[46]

圖4 HZXT-DS-001實(shí)驗(yàn)臺[46]Fig.4 HZXT-DS-001 laboratory[46]

2.3.3 基于特征變換角度的域自適應(yīng)

基于特征分布的域自適應(yīng)前提條件是源域和目標(biāo)域在變換后共享某些子特征,并將兩個域變換到相同子空間,實(shí)現(xiàn)基于特征變換的域自適應(yīng)。

Zhang等[48]在故障分類前將故障特征嵌入流行的子空間進(jìn)行特征轉(zhuǎn)換,從而減少了域位移現(xiàn)象。劉海寧等[49]采用一維卷積神經(jīng)網(wǎng)絡(luò)將源域和目標(biāo)域的邊緣分布和條件分布對齊后進(jìn)行特征提取,用于變工況軸承故障診斷。王肖雨等[50]針對故障樣本距離分布不同對網(wǎng)絡(luò)的影響,提出了一種類內(nèi)散射正則化的網(wǎng)絡(luò)模型,將源域和目標(biāo)域嵌入流行子空間并動態(tài)對齊流行特征后,結(jié)合類內(nèi)散度方法,在減少源域目標(biāo)域分布差異后增加了相同類別聚集度,從而提升模型精度。

不同滾動軸承故障診斷遷移學(xué)習(xí)方法的優(yōu)缺點(diǎn)及特點(diǎn)如表1所示。

表1 遷移學(xué)習(xí)主要方法Table 1 Main methods of transfer learning

3 不同情況下的遷移學(xué)習(xí)方法

由于對實(shí)際工業(yè)生產(chǎn)過程中采集到的滾動軸承振動信號進(jìn)行故障診斷所面臨的情況不同,如電機(jī)負(fù)載和轉(zhuǎn)速發(fā)生改變,采集樣本數(shù)目稀缺,不同數(shù)據(jù)間樣本類別不一致等問題。針對這些問題進(jìn)一步闡述了不同情況下的遷移學(xué)習(xí)故障診斷方法。

3.1 針對小樣本情況

針對樣本稀缺問題,郭盼盼等[51]提出了一種基于增強(qiáng)型卷積神經(jīng)網(wǎng)絡(luò)模型的滾動軸承多工況故障診斷方法。根據(jù)滾動軸承轉(zhuǎn)速和采樣頻率,計算軸承單圈故障信號長度,利用格拉姆角場(Gramian angular field,GAF)編碼技術(shù)對計算出的時域信號的完整信息進(jìn)行編碼,生成相應(yīng)的特征圖像,從而使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時域信號的相關(guān)特征,并利用非對稱卷積網(wǎng)絡(luò)(asymmetric convolution,ACNet)對ConvNeXt模型的7×7深度進(jìn)行編碼。非對稱卷積(ACNet)模塊用于重構(gòu)ConvNeXt模型的7×7深度卷積層,以提高ConvNeXt模型的特征提取效率。接下來,改進(jìn)ConvNeXt模型中的數(shù)據(jù)增強(qiáng)模塊和學(xué)習(xí)率衰減策略,提高ConvNeX模型在小樣本訓(xùn)練下的泛化能力,從而建立增強(qiáng)型深度卷積神經(jīng)網(wǎng)絡(luò)模型IConvNeXt,如圖5[51]所示。

圖5 IConvNeXt模型結(jié)構(gòu)Fig.5 IConvNeXt model

所提方法通過兩個數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,分別是美國凱斯西儲大學(xué)(CWRU)的軸承故障數(shù)據(jù)集、東南大學(xué)的滾動軸承復(fù)合故障數(shù)據(jù)集和加拿大渥太華的變速軸承故障數(shù)據(jù)集,各數(shù)據(jù)集獨(dú)立進(jìn)行故障診斷。經(jīng)過實(shí)驗(yàn)驗(yàn)證可知,所提網(wǎng)絡(luò)在三數(shù)據(jù)集上的診斷效果均高于對比網(wǎng)絡(luò),證明所提方法具有優(yōu)越性及有效性。

Li等[52]采用dropout技術(shù)減少網(wǎng)絡(luò)參與的訓(xùn)練參數(shù)。構(gòu)建遷移卷積網(wǎng)絡(luò)診斷模型,使用源域數(shù)據(jù)集對模型進(jìn)行訓(xùn)練。根據(jù)目標(biāo)域任務(wù)類別對網(wǎng)絡(luò)中softmax輸出替換為目標(biāo)域任務(wù)類別數(shù)目,利用少量目標(biāo)域訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)參數(shù)調(diào)優(yōu)。直至達(dá)到設(shè)定分類精度或迭代次數(shù),將測試樣本輸入到調(diào)優(yōu)的模型中,獲取診斷結(jié)果。王曉東[53]提出了從數(shù)字孿生到現(xiàn)實(shí)世界的故障診斷遷移方法,通過數(shù)字孿生模擬的虛擬實(shí)驗(yàn),用虛擬數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)并將訓(xùn)練后的網(wǎng)絡(luò)應(yīng)用到實(shí)際任務(wù)中。張根保等[54]采用棧式稀疏自編碼器(spase autoencoder,SAE)和柔性最大值函數(shù)回歸進(jìn)行的特征提取及分類。將遷移學(xué)習(xí)與H高階KL散度(high kullback-leibler,HKL)結(jié)合,構(gòu)建SAE-HKL特征提取網(wǎng)絡(luò)和Softmax-HKL特征分類網(wǎng)絡(luò)用以獲得源域及目標(biāo)域數(shù)據(jù)的共同特征,減少域間分布差異。胡向東等[55]提出了孿生域?qū)惯w移學(xué)習(xí)的方法,擴(kuò)充故障樣本數(shù)量,減少正常樣本數(shù)量。通過域?qū)狗椒ㄟM(jìn)行對抗學(xué)習(xí)以降低樣本間的分布差異,利用孿生神經(jīng)網(wǎng)絡(luò)改進(jìn)卷積層及池化層。采取重采樣方法,利用滾動軸承原始相鄰新號段有重疊的特征獲取訓(xùn)練樣本。接下來利用m倍降采樣平衡正常樣本。雷春麗等[56]構(gòu)建了一種基于一維殘差神經(jīng)網(wǎng)絡(luò)與擠壓與激勵網(wǎng)絡(luò)模型,將擠壓與激勵網(wǎng)絡(luò)(residual neural network,ResNet)嵌入一維深度殘差網(wǎng)絡(luò)中,構(gòu)建殘差模塊,搭建改進(jìn)的殘差網(wǎng)絡(luò)模型。將訓(xùn)練好的模型參數(shù)遷移至目標(biāo)域,通過少量樣本微調(diào)模型,最后得到適用于小樣本故障診斷的網(wǎng)絡(luò)模型。劉家瑞等[57]提出了基于孿生深度神經(jīng)網(wǎng)絡(luò)Siamse、一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional, convolutional neural network,1-DCNN)與長短時記憶網(wǎng)絡(luò)(LSTM)siamese 1-DCNN-LSTM的診斷方法,提取數(shù)據(jù)時序數(shù)據(jù)局部特征和長期依賴特征,采用對比損失函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,采用真實(shí)標(biāo)簽進(jìn)行微調(diào),用真實(shí)故障樣本對全連接層參數(shù)進(jìn)行微調(diào),得到的網(wǎng)絡(luò)可以在僅有少量樣本的情況下,實(shí)現(xiàn)故障類型的判別。劉飛等[58]提出了短時傅里葉變換(short time Fourier transform,STFT)與偽色彩處理相結(jié)合。振動信號轉(zhuǎn)三通道圖像數(shù)據(jù)法,使用深度殘差網(wǎng)絡(luò)(deep residual network,ResNet)預(yù)訓(xùn)練,采用低層網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)凍結(jié)。結(jié)合遷移學(xué)習(xí)方法(transfer learning,TL),將其中某一工況下生成的TL-ResNet18的結(jié)構(gòu)與參數(shù)固定,使用另一工況的訓(xùn)練樣本對網(wǎng)絡(luò)參數(shù)微調(diào),并在測試集上進(jìn)行驗(yàn)證試驗(yàn)。

3.2 針對變工況問題

針對變工況導(dǎo)致的遷移效果不理想問題,楊青等[59]提出一種深度殘差變分自編碼器與自注意力機(jī)制相結(jié)合(deep resnet-variational auto encoder-self- attention mechanism,DR-VAE-SAM)的電機(jī)軸承故障診斷方法。首先,在數(shù)據(jù)預(yù)處理中使用矢量量化變分自編碼(VQ-VAE)對軸承故障數(shù)據(jù)進(jìn)行增強(qiáng),并將訓(xùn)練完成后生成的故障樣本放回原始樣本中以平衡和增強(qiáng)數(shù)據(jù)集。然后將深度殘差網(wǎng)絡(luò)與變分自編碼器結(jié)合,增加了遷移學(xué)習(xí)中最大均值差異(MMD)作為融合標(biāo)準(zhǔn)提升網(wǎng)絡(luò)特征適配能力。最后,在編碼與解碼過程中結(jié)合自注意力機(jī)制最大化的保留特征的關(guān)鍵信息。所提方法流程如圖6所示。該方法通過西儲大學(xué)和東南大學(xué)的軸承數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證,包括不平衡試驗(yàn)、變工況實(shí)驗(yàn)及泛化實(shí)驗(yàn)。不平衡試驗(yàn)結(jié)果表明提出的網(wǎng)絡(luò)與對比網(wǎng)絡(luò)相比具有更好的準(zhǔn)確率。在變工況實(shí)驗(yàn)中設(shè)置了9組遷移實(shí)驗(yàn),9組實(shí)驗(yàn)均以融合工況數(shù)據(jù)為訓(xùn)練樣本,以單一工況數(shù)據(jù)為測試樣本。研究結(jié)果表明,DR-VAE-AM模型能夠有效提高故障診斷精度,對于未參與融合的數(shù)據(jù)同樣有著良好的診斷能力,且DR-VAE-AM模型具有較好的泛化能力,體現(xiàn)出該方法的優(yōu)越性。夏懿等[60]提出了深度自適應(yīng)網(wǎng)絡(luò)用于跨域條件下軸承故障診斷,提出聯(lián)合自適應(yīng)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合MMD和wasserstein度量網(wǎng)絡(luò)對齊特征邊緣分布和域類別條件分布,從而提升針對無標(biāo)簽數(shù)據(jù)的分類準(zhǔn)確率。徐易蕓等[61]將遷移學(xué)習(xí)和相似性度量思想相結(jié)合。通過相關(guān)對齊損失計算變工況故障特征之間的相關(guān)性,最小化源域目標(biāo)域間差異,并將輸入特征與中心特征相似性最大化,提高診斷準(zhǔn)確性,減少非相關(guān)特征,從而提升模型準(zhǔn)確率。吳靜然等[62]通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,并使局部MMD和分類器最小化損失函數(shù)從而以統(tǒng)一相關(guān)子域的分布,用于變工況下的軸承故障診斷。董紹江等[63]利用連續(xù)小波變換將振動信號轉(zhuǎn)化為時頻圖,利用完成預(yù)訓(xùn)練的Resnet-50網(wǎng)絡(luò)提取源域和目標(biāo)域的共同特征,并利用局部MMD減小特征分布距離,減少域分布差異。祝道強(qiáng)等[64]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的變負(fù)載適應(yīng)軸承故障診斷模型,卷積結(jié)構(gòu)使用小卷積核卷積層堆疊的形式,通過對輸入層進(jìn)行隨機(jī)失活提高網(wǎng)絡(luò)對變負(fù)載的適應(yīng)能力,并采用全局平均池化降低模型計算量和減輕過擬合程度。此外提出以兩種近鄰負(fù)載條件的軸承數(shù)據(jù)構(gòu)成變負(fù)載數(shù)據(jù)集,驗(yàn)證了軸承故障診斷的變負(fù)載適應(yīng)性。Shen等[65]提出了一種動態(tài)聯(lián)合分布對齊網(wǎng)絡(luò)對條件分布和邊緣分布進(jìn)行對齊。同時為了加權(quán)條件的最大差異,用偽標(biāo)簽代替輸出標(biāo)簽來改變條件分布的計算,通過這種方法可以減少條件分布距離,實(shí)現(xiàn)可變運(yùn)行條件下的故障診斷。李偉等[66]提出了一種三層稀疏自動編碼器,并使用最大平均差作為損失值,以提取源域和目標(biāo)域的共同特征,減少交叉工作條件造成的影響。郭俊峰等[67]利用信號在時頻域的信息,將思想振動信號轉(zhuǎn)換為時頻圖。并且該方法結(jié)合了有監(jiān)督的條件生成對抗網(wǎng)絡(luò)(conditional generative adversarial network,CGAN)模型利用條件信息將無監(jiān)督學(xué)習(xí)轉(zhuǎn)化為監(jiān)督學(xué)習(xí)生成多類別數(shù)據(jù)和條件梯度懲罰生成對抗網(wǎng)絡(luò)(conditional wasserstein GAN—gradient penalty,CWGAN-GP)模型的優(yōu)點(diǎn),避免了樣本生成過程中的模式崩潰、梯度消失、收斂緩慢和訓(xùn)練過程不穩(wěn)定。利用生成的高質(zhì)量樣本進(jìn)行數(shù)據(jù)集擴(kuò)展和平衡,可以解決分類模型訓(xùn)練過程中因數(shù)據(jù)集不平衡導(dǎo)致的故障分類精度低的問題。張曉彤等[68]提出了一種基于深度遷移特征選擇和平衡分布適應(yīng)的提升機(jī)軸承智能故障診斷方法,該方法提取不同工況下的軸承振動信號的高維深度特征,構(gòu)建深度特征子集,最后用平衡分布適應(yīng)方法處理源域和目標(biāo)域特征,從而減少域間分布差異。

圖6 DR-VAE-SAM方法流程圖[59]Fig.6 Flowchart of DR-VAE-SAM [59]

3.3 其他問題下的遷移學(xué)習(xí)方法

除上述滾動軸承故障診斷的遷移學(xué)習(xí)方法外,針對一些特定的問題進(jìn)行了總結(jié)歸納,結(jié)果如表2所示。

表2 其他情況下的遷移學(xué)習(xí)方法Table 2 Transfer learning methods in other cases

4 展望

如今,雖然遷移學(xué)習(xí)在滾動軸承故障診斷方面頗有成效,但仍有改進(jìn)或優(yōu)化的空間,接下來應(yīng)著重研究以下幾方面。

(1)多類型傳感器融合。在數(shù)據(jù)采集過程中,由于傳感器位置、振動幅值、噪聲大小不同將會導(dǎo)致傳感器之間測得信號不匹配,從而帶來許多問題。但多傳感器數(shù)據(jù)的采集可以得到多維度數(shù)據(jù)信息,因此多傳感器特征融合方法可以獲取到更為準(zhǔn)確的特征,有助于提高故障診斷的準(zhǔn)確率和魯棒性。并應(yīng)結(jié)合多種傳感器類型,如加速度傳感器、溫度傳感器等。因此,多傳感器特征融合技術(shù)值得繼續(xù)研究。

(2)信號采集差異。由于不同實(shí)驗(yàn)臺安裝傳感器的位置與安裝方式均有差異,導(dǎo)致即使是同一實(shí)驗(yàn)臺上的不同傳感器采集到的振動信號也有差異,從而影響到最終故障診斷的結(jié)果,對遷移網(wǎng)絡(luò)也是一種考驗(yàn)。

(3)實(shí)際工業(yè)數(shù)據(jù)整合。實(shí)際工程中,軸承的故障數(shù)據(jù)及類別有區(qū)別于實(shí)驗(yàn)室數(shù)據(jù),且設(shè)備發(fā)生故障初期就會及時停止運(yùn)行更換配件,這就造成了實(shí)際工程制造中采集數(shù)據(jù)主要為正常運(yùn)行時采集的數(shù)據(jù),所采集的故障數(shù)據(jù)尤為稀缺。遷移學(xué)習(xí)方法雖然解決了跨數(shù)據(jù)集跨工況等問題,但直接用類別差異過大的數(shù)據(jù)訓(xùn)練模型會導(dǎo)致準(zhǔn)確率較低,且由于故障數(shù)據(jù)占所采集的數(shù)據(jù)中一小部分,難以準(zhǔn)確找到采集到的正常數(shù)據(jù)與有故障數(shù)據(jù)的分界線,導(dǎo)致最終標(biāo)注的故障類別與實(shí)際數(shù)據(jù)無法準(zhǔn)確匹配。若直接用采集數(shù)據(jù)的數(shù)據(jù)訓(xùn)練模型會導(dǎo)致模型很難提取故障特征,從而使模型學(xué)習(xí)到為正常運(yùn)轉(zhuǎn)下的故障類別的特征,導(dǎo)致過擬合現(xiàn)象發(fā)生。因此該問題還值得繼續(xù)研究。

(4)復(fù)合故障判別。針對軸承的故障診斷研究大多為單一故障,但實(shí)際軸承故障基本為多種類型,并且不同故障類型之間的組合也會造成診斷網(wǎng)絡(luò)的訓(xùn)練效果較差,從而導(dǎo)致網(wǎng)絡(luò)的準(zhǔn)確率會大幅下降。因此,多故障類型的軸承故障診斷是一個值得研究的領(lǐng)域。

(5)模型輕量化。目前的網(wǎng)絡(luò)大部分過復(fù)雜,對于設(shè)備的要求過高,且實(shí)際工業(yè)生產(chǎn)中所面對的問題較多,需要設(shè)計出較為輕量且訓(xùn)練迅速的網(wǎng)絡(luò)模型來面對日益增多的實(shí)際工業(yè)問題,所以,模型輕量化也是一個值得研究的方向。

(6)無標(biāo)簽數(shù)據(jù)診斷。在實(shí)際工程問題中采集到的軸承信號通常為無標(biāo)簽信號,并且軸承健康情況也難以簡單判斷,人工對信號進(jìn)行標(biāo)簽標(biāo)注會浪費(fèi)大量的人力,造成資源浪費(fèi)。且直接對無標(biāo)簽數(shù)據(jù)進(jìn)行故障診斷也會導(dǎo)致診斷結(jié)果的可信度較低。因此,直接對實(shí)際問題中的一手?jǐn)?shù)據(jù)進(jìn)行故障診斷值得繼續(xù)深入探索。

(7)不同診斷目標(biāo)的泛化性。目前,現(xiàn)有網(wǎng)絡(luò)通常只針對單一目標(biāo),無法做到變診斷目標(biāo)的故障診斷。若解決這一問題,可以節(jié)省大量人力及物力資源,但這對網(wǎng)絡(luò)的特征適配能力是一個巨大的考驗(yàn),值得繼續(xù)研究。

5 結(jié)論

遷移學(xué)習(xí)方法憑借優(yōu)秀的泛化能力在故障診斷領(lǐng)域大放異彩,但也面臨諸多挑戰(zhàn)。本文研究主要對滾動軸承故障診斷時不同類別的遷移學(xué)習(xí)方法和面對不同問題時的遷移學(xué)習(xí)方法兩個角度進(jìn)行歸納總結(jié)。首先闡述了中外學(xué)者在故障診斷領(lǐng)域中提出的深度學(xué)習(xí)方法和信號處理方法,討論了所提方法的優(yōu)缺點(diǎn)及待改進(jìn)的方向。接下來著重介紹遷移學(xué)習(xí)方法,按照不同類別的遷移學(xué)習(xí)方法介紹,重點(diǎn)介紹3種主要的遷移學(xué)習(xí)方法,并給出相關(guān)研究的典型實(shí)例加以分析。同時介紹了不同遷移學(xué)習(xí)方法的優(yōu)缺點(diǎn)及特點(diǎn)。并根據(jù)故障診斷時所面對的不同問題進(jìn)行分類討論,介紹了針對滾動軸承故障診斷的遷移方法難點(diǎn)及相對應(yīng)的解決方法。對兩種主要問題進(jìn)行多種遷移方法的總結(jié)歸納,并給出詳實(shí)案例。除此之外還介紹了針對5種更為具體問題的遷移學(xué)習(xí)方法。最后對未來軸承故障診斷展望了多類型傳感器融合、信號采集差異、實(shí)際工業(yè)數(shù)據(jù)整合、復(fù)合故障判別、無標(biāo)簽數(shù)據(jù)診斷、模型輕量化等方面的發(fā)展趨勢。以助于業(yè)界對目前應(yīng)用于滾動軸承故障診的斷遷移學(xué)習(xí)方法及面臨問題有較為清晰的認(rèn)知,對未來研究方向及思路有著一定參考價值。