一种用于主轴轴承故障诊断的深度卷积动态对抗迁移网络

李霁蒲　黄如意　陈祝云　廖奕校　夏景演　李巍华

摘要： 迁移学习智能故障诊断方法已经成为了机械设备故障诊断领域的一个研究热点。然而，大多数相关方法在迁移学习过程中未能合理地评估源域样本和目标域样本的相似性，且数据分布的差异会造成迁移诊断的结果不同。针对此问题，提出深度卷积动态对抗迁移网络用于主轴轴承智能故障诊断。该网络首先利用一维卷积神经网络从处理过的振动信号中自动提取特征集，然后利用动态对抗学习策略动态地调整条件分布和边缘分布在迁移学习过程中的重要程度，有效地提高迁移诊断的精度。通过数控机床主轴轴承故障诊断实验，验证了所提方法的有效性。实验结果表明，所提方法能够有效挖掘故障特征信息，实现不同工况之间的知识迁移，具有较好的应用价值。

关键词： 智能诊断; 轴承; 深度学习; 迁移学习; 动态对抗

中图分类号： TH165.3; TH133.3    文献标志码： A    文章编号： 1004-4523（2022）02-0446-08

DOI：10.16385/j.cnki.issn.1004-4523.2022.02.020

引  言

数控机床在智能制造中具有广泛的应用。其中，主轴轴承作为数控机床主轴上的关键部件，其工作状态直接影响着产品的加工质量、刀具的寿命与加工效率。由于主轴在运行过程中起传递运动扭矩、承受切削力和驱动力等载荷的作用，运行时受强噪声干扰，主轴轴承的故障诊断通常具有很大的难度。因此，如何准确实现主轴轴承的故障诊断对于保障工业安全生产、降低生产成本损失具有重要意义。

在基于深度学习（deep learning）的故障诊断研究中，“数据”对于一个诊断模型的性能有着举足轻重的作用。通常一個性能良好的故障诊断模型需要大量充足可靠的标签数据作为训练支撑。然而，在实际的工业应用中，由于无法有效判断发生故障的类型，新获取的数据通常难以标记，这给传统深度学习模型的训练带来极大的挑战。由于深度学习模型训练通常是针对特定工况进行训练和诊断，当面对其他工况时，需要使用新数据对已训练好的诊断模型重新训练，这无疑增加了诊断成本。因此，如果可以利用已训练好的模型去诊断其他工况的工作状态，可以有效减少模型的训练时间，并提高模型的泛化性能。

对于上述问题，迁移学习（transfer learning）可能是一种有效的解决方案。迁移学习的核心思想是运用已存有的知识对不同但相关领域的问题进行求解，目的是利用已有的“先验知识”解决另一领域中只拥有少量标签甚至没有标签的学习问题。迁移学习已在图像识别、自然语言处理和工业应用等领域得到了成功应用。

根据目标域标签数据的数量，迁移学习分为有监督迁移学习、半监督迁移学习和无监督迁移学习。在机械故障诊断领域中，由于实际机械设备运行中新获取的数据通常是无标签的，因此论文重点关注无监督迁移学习的诊断应用情况。

沈飞等提出了奇异值分解与迁移学习结合的方法，解决了电机轴承故障诊断的问题;Chen等建立迁移卷积故障诊断网络，解决了小样本数据的轴承故障识别问题;雷亚国等利用实验室数据解决了工程实际难以获得高精度智能诊断模型的问题;Guo等提出了深度卷积迁移学习网络（deep convolutional transfer learning network，DCTLN），该方法将一维卷积神经网络（one⁃dimension convolution neural networks， 1D⁃CNN）和最大均值差异（maximum mean discrepancy，MMD）结合实现不同数据集之间的迁移。然而，上述方法在迁移过程中仅仅只考虑数据间的边缘分布，而未曾考虑数据间的条件分布。已有研究证明，由于不同源域样本和目标域样本之间存在不同相似度，在知识迁移过程中，边缘分布和条件分布的重要度也不同。对于机械设备故障而言，当两个运行工况之间的数据分布整体较为相似时，即类间间距较小，条件分布相对重要;反之，当两个运行工况之间的数据分布整体不相似，即类间间距较大、类内间距较小时，则边缘分布占比应当更多。

实际上，已经有学者做了一些关于边缘分布和条件分布在迁移学习过程中“占比”的研究。Long等提出了联合分布适配（joint distribution adaptation， JDA），该方法创新地提出了联合分配概率并在图像识别领域取得较好的实验效果，但是JDA将边缘分布和条件分布看成同等重要，无法自适应调整两种分布在不同数据结构中的比例。Wang等针对JDA方法的局限性，提出了平衡分布适配（balanced distribution adaptation， BDA）计算边缘分布和条件分布的占比，但是该方法无法自适应地从原始振动信号中提取高维特征表达。可见，在减少两个工况的数据分布差异时，如何在深度迁移学习中合理评估边缘分布和条件分布的重要程度直接影响着学习结果。

为解决上述两个问题，受文献[11]的启发，论文提出一种深度卷积动态对抗网络（deep convolutional dynamic adversarial network， DCDAN），并将其应用到数控机床主轴轴承不同工况之间的故障诊断。对比已有的迁移学习方法，所提出的DCDAN采用动态对抗学习策略，根据两个运行工况的相似性，动态地计算两个边缘分布和条件分布在迁移过程中的占比，从而有效地提升诊断精度。