謝旭陽，余 刃，王天舒，彭 俏，陳玉昇

(海軍工程大學(xué)，武漢 430033)

1 引言

在能源、動(dòng)力、化工等流體工業(yè)系統(tǒng)中安裝有大量電動(dòng)泵，及時(shí)發(fā)現(xiàn)并排除其故障隱患，使其保持良好的技術(shù)狀態(tài)，對(duì)確保系統(tǒng)的安全運(yùn)行有著重要意義。

電動(dòng)泵各部件的振動(dòng)、電流、溫度等信號(hào)能夠反映電動(dòng)泵的技術(shù)狀態(tài)[1]，目前的研究熱點(diǎn)是從這些信號(hào)中提取出能夠反映電動(dòng)泵故障模式并且對(duì)噪聲不敏感的特征，從而對(duì)其故障進(jìn)行診斷。Ming等[2]提出了一種基于頻譜自相關(guān)分析(SACA)的故障特征頻率提取方法，能夠顯著增強(qiáng)故障特征頻率及諧波的幅值。Feng等[3]將排列熵(PE)算法運(yùn)用于滾動(dòng)軸承的故障診斷，實(shí)驗(yàn)結(jié)果表明，PE對(duì)振動(dòng)信號(hào)中突變的敏感度優(yōu)于均方根值，可用于滾動(dòng)軸承的早期故障診斷。上述方法存在幾點(diǎn)不足：第一，提取故障特征需要大量先驗(yàn)知識(shí)；第二，難以提取出對(duì)噪聲不敏感的故障特征；第三，將故障特征提取與模式識(shí)別分成兩個(gè)獨(dú)立的步驟，容易造成信息的丟失。

卷積神經(jīng)網(wǎng)絡(luò)CNN(convolutional neural network)是一種重要的深度學(xué)習(xí)數(shù)據(jù)處理模型[4]。利用CNN分析電動(dòng)泵振動(dòng)信號(hào)的波形數(shù)據(jù)，能夠自動(dòng)從中提取故障特征，不需要大量的故障特征先驗(yàn)知識(shí)。吳春志等[5]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷方法，對(duì)單一和復(fù)合故障診斷的準(zhǔn)確率均高于傳統(tǒng)診斷方法。He等[6]利用深度學(xué)習(xí)和短時(shí)傅里葉變換實(shí)現(xiàn)軸承的精確故障診斷。雖然診斷準(zhǔn)確性上有一定提高，但直接訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型需要大量標(biāo)記樣本數(shù)據(jù)，在實(shí)際應(yīng)用中難以獲得。

本文針對(duì)電動(dòng)泵故障標(biāo)記樣本數(shù)據(jù)少、人工提取故障特征需要大量先驗(yàn)知識(shí)的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的電動(dòng)泵故障診斷方法。介紹了CNN模型的結(jié)構(gòu)，設(shè)計(jì)了基于遷移學(xué)習(xí)的CNN模型訓(xùn)練方法，給出了利用其進(jìn)行故障診斷的方法步驟，最后利用美國Connecticut大學(xué)發(fā)布的齒輪實(shí)驗(yàn)數(shù)據(jù)[7]和實(shí)驗(yàn)室采集的電機(jī)實(shí)驗(yàn)數(shù)據(jù)對(duì)該方法對(duì)不同故障進(jìn)行診斷的有效性進(jìn)行了測試驗(yàn)證。

2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)技術(shù)中最具代表性的神經(jīng)網(wǎng)絡(luò)之一，是一種前饋型神經(jīng)網(wǎng)絡(luò)。本文基于該算法，通過對(duì)電動(dòng)泵振動(dòng)信號(hào)進(jìn)行特征參數(shù)提取和分類，實(shí)現(xiàn)故障診斷。

2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

如圖1所示，典型的卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層和輸出層組成，在卷積神經(jīng)網(wǎng)絡(luò)的各層中通常還需要添加激活函數(shù)。

圖1 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1) 輸入層

卷積神經(jīng)網(wǎng)絡(luò)的第一層是輸入層，被診斷對(duì)象的原始振動(dòng)信號(hào)波形數(shù)據(jù)作為CNN的輸入，是二維數(shù)據(jù)。例如，對(duì)于振動(dòng)加速度時(shí)域波形，輸入為時(shí)間和對(duì)應(yīng)的幅值，而對(duì)于頻譜數(shù)據(jù)，則輸入為頻率和對(duì)應(yīng)的幅值。

2) 卷積層

卷積層由多個(gè)卷積核疊加形成。卷積核又稱為濾波器，通常是一個(gè)二維矩陣，用于提取數(shù)據(jù)的特征。卷積實(shí)際上是對(duì)輸入的另一種表示，輸入數(shù)據(jù)經(jīng)過卷積層得到特征圖。卷積神經(jīng)網(wǎng)絡(luò)通常采用多卷積層結(jié)構(gòu)，第一層卷積層只能提取一些比較低級(jí)的特征，經(jīng)過多層卷積層處理，就能提取出更加復(fù)雜的特征。

卷積運(yùn)算的過程如式(1)所示。

(1)

其中：y代表卷積的輸出；x代表輸入的數(shù)據(jù)；w和b代表卷積核的權(quán)值和偏置；k和l代表圖像的2個(gè)維度。所有的y按規(guī)則排列成組合成特征圖。

3) 池化層

池化層又稱為下采樣層，通常在卷積層之后。池化先將卷積得到的特征圖分成若干個(gè)區(qū)域，然后分別求區(qū)域內(nèi)的平均值或最大值，從而組合成新的維度更低的特征圖。

經(jīng)過多個(gè)卷積層和池化層后，振動(dòng)信號(hào)波形數(shù)據(jù)被轉(zhuǎn)化為一維特征向量。

4) 全連接層

全連接層是卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練參數(shù)最多的一層。全連接層的作用是綜合提取到的一維特征向量，對(duì)波形數(shù)據(jù)進(jìn)行分類。全連接層的輸出神經(jīng)元個(gè)數(shù)等于波形數(shù)據(jù)的類別數(shù)，即對(duì)應(yīng)于被診斷對(duì)象可能具有的故障類別，每個(gè)神經(jīng)元的輸出值代表波形數(shù)據(jù)屬于對(duì)應(yīng)類別的得分。

5) 輸出層

卷積神經(jīng)網(wǎng)絡(luò)的最后一層是輸出層，通常為softmax函數(shù)，其作用是將波形數(shù)據(jù)屬于對(duì)應(yīng)類別的得分映射為概率，即輸出層每個(gè)神經(jīng)元的輸出值代表波形數(shù)據(jù)屬于對(duì)應(yīng)類別的概率，并且概率總和為1。模型預(yù)測的結(jié)果為概率最大所對(duì)應(yīng)的類別。softmax函數(shù)的定義如式(2)所示。

(2)

6) 激活函數(shù)

激活函數(shù)是非線性函數(shù)，通過在卷積神經(jīng)網(wǎng)絡(luò)的各層中添加激活函數(shù)能夠引入非線性因素，以增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)處理復(fù)雜問題的能力。常用的激活函數(shù)有sigmoid、tanh和relu等[8]。

2.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

1) 參數(shù)初始化

在卷積神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練之前，需要將各節(jié)點(diǎn)的參數(shù)初始化。采用的方法是將每個(gè)參數(shù)初始化為接近0的隨機(jī)值。

2) 參數(shù)更新

卷積神經(jīng)網(wǎng)絡(luò)采用反向傳播梯度下降的方式使各節(jié)點(diǎn)的參數(shù)逐步逼近最優(yōu)解。各節(jié)點(diǎn)參數(shù)初始化后，通過前向計(jì)算得到模型預(yù)測的結(jié)果，根據(jù)預(yù)測值計(jì)算網(wǎng)絡(luò)最后一層各節(jié)點(diǎn)的殘差，然后從最后一層開始反向計(jì)算每層各節(jié)點(diǎn)的殘差，從而得出損失函數(shù)對(duì)參數(shù)的偏導(dǎo)數(shù)，然后進(jìn)行參數(shù)更新。

用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)記樣本數(shù)據(jù)集實(shí)際上是若干個(gè)輸入輸出對(duì)的集合，損失函數(shù)用于衡量訓(xùn)練過程中卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出值與實(shí)際輸出值的偏離程度。損失函數(shù)越小，模型性能越好。常用的損失函數(shù)有0～1損失函數(shù)、絕對(duì)值損失函數(shù)和均方誤差損失函數(shù)等。

殘差的定義是損失函數(shù)對(duì)第層第個(gè)節(jié)點(diǎn)的偏導(dǎo)數(shù)，用于計(jì)算損失函數(shù)對(duì)參數(shù)的偏導(dǎo)數(shù)。殘差的公式如式(3)所示。

(3)

最后一層各節(jié)點(diǎn)殘差的計(jì)算公式如式(4)所示。

(4)

其他層節(jié)點(diǎn)殘差的計(jì)算公式如式(5)所示。

(5)

利用每個(gè)節(jié)點(diǎn)的殘差，可以計(jì)算出損失函數(shù)對(duì)參數(shù)的偏導(dǎo)數(shù)，如式(6)和式(7)所示。

(6)

(7)

最后根據(jù)式(8)和式(9)進(jìn)行參數(shù)更新。

(8)

(9)

其中α代表學(xué)習(xí)率。

2.3 預(yù)訓(xùn)練模型的選擇

經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型有AlexNet、VGG和GooLeNet等[9]，這些模型具有很強(qiáng)的泛化能力，因此可以采用這些模型作為預(yù)訓(xùn)練模型對(duì)其重新訓(xùn)練，從而得到適用于電動(dòng)泵故障診斷的CNN模型。本文選用的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型是InceptionV3模型，它是GooLeNet系列模型的第三代，在控制參數(shù)量的同時(shí)具備出色的圖像數(shù)據(jù)分類能力。InceptionV3的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，InceptionV3共有46層，分為11個(gè)Inception模塊。Inception模塊本身是一個(gè)小網(wǎng)絡(luò)，若干個(gè)Inception模塊可堆疊組成一個(gè)大網(wǎng)絡(luò)，采用模塊化的結(jié)構(gòu)具有方便增添和修改優(yōu)勢。

圖2 InceptionV3網(wǎng)絡(luò)結(jié)構(gòu)示意圖

InceptionV3采用relu激活函數(shù)代替?zhèn)鹘y(tǒng)的sigmoid和tanh，降低了計(jì)算的復(fù)雜性，加快了網(wǎng)絡(luò)訓(xùn)練速度。InceptionV3在網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了創(chuàng)新：第一，不同卷積層之間的連接方式從串聯(lián)改為并聯(lián)；第二，將一個(gè)較大的二維卷積核拆分成兩個(gè)一維卷積核；第三，采用全局平均池化層代替全連接層。這些結(jié)構(gòu)上的改進(jìn)極大減少了訓(xùn)練參數(shù)的數(shù)量，減輕了過擬合現(xiàn)象。并采用BN(batch normalization)方法，將神經(jīng)網(wǎng)絡(luò)內(nèi)部的輸出標(biāo)準(zhǔn)化為服從N(0,1)的正態(tài)分布，在極大加快訓(xùn)練收斂速度的同時(shí)，顯著提升了模型分類的準(zhǔn)確率。

3 遷移學(xué)習(xí)

3.1 遷移學(xué)習(xí)的概念和分類

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，指的是將一個(gè)領(lǐng)域?qū)W習(xí)到的知識(shí)運(yùn)用于另一個(gè)領(lǐng)域。遷移學(xué)習(xí)有兩個(gè)基本的概念，分別是域和任務(wù)。域D由特征空間χ和邊緣概率分布P(X)構(gòu)成，可表示為D={χ,P(X)}，其中X={x1,…,xn}∈χ，特征空間χ是所有特征向量的特征空間。源域Ds是包含豐富知識(shí)和大量標(biāo)記樣本數(shù)據(jù)的域，目標(biāo)域Dt是需要賦予知識(shí)和數(shù)據(jù)標(biāo)記的域。任務(wù)T由標(biāo)簽空間Y和目標(biāo)預(yù)測函數(shù)f(·)構(gòu)成，可表示為T={Y,f(·)}，其中目標(biāo)預(yù)測函數(shù)f(·)又稱為條件概率分布P(y|x)，可以通過標(biāo)記樣本數(shù)據(jù)和特征向量訓(xùn)練得到。遷移學(xué)習(xí)的定義是給定源域Ds、源任務(wù)Ts、目標(biāo)域Dt和目標(biāo)任務(wù)Tt，利用在源域解決源任務(wù)獲得的知識(shí)，提高在目標(biāo)域解決目標(biāo)任務(wù)的能力。

遷移學(xué)習(xí)可分為基于樣本的遷移學(xué)習(xí)、基于特征表示的遷移學(xué)習(xí)、基于參數(shù)的遷移學(xué)習(xí)和基于關(guān)系知識(shí)的遷移學(xué)習(xí)。本文采用的是基于參數(shù)的遷移學(xué)習(xí)方式，其應(yīng)用的前提是源任務(wù)和目標(biāo)任務(wù)的模型間會(huì)共享部分參數(shù)或先驗(yàn)分布。該算法通過尋找這些共享的參數(shù)或先驗(yàn)分布，并加以處理，從而實(shí)現(xiàn)知識(shí)的遷移。

3.2 結(jié)合遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法

卷積神經(jīng)網(wǎng)絡(luò)利用大量的樣本數(shù)據(jù)對(duì)模型的參數(shù)進(jìn)行訓(xùn)練，已訓(xùn)練好的模型可用于測試集的分類，但是必須滿足兩個(gè)要求：第一，訓(xùn)練集必須是有標(biāo)記的樣本數(shù)據(jù)；第二，訓(xùn)練集與測試集必須具有相同或相似的分布。因此，需要耗費(fèi)大量的人力資源對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)記。此外，卷積神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)數(shù)量是百萬級(jí)的，訓(xùn)練的過程需要消耗大量的時(shí)間資源與計(jì)算資源，而且要訓(xùn)練這些參數(shù)需要大量的樣本數(shù)據(jù)，在實(shí)際應(yīng)用中難以獲得。若樣本數(shù)量不足，容易導(dǎo)致過擬合問題，訓(xùn)練出的模型泛化性較差。

針對(duì)上述問題，本文采用基于參數(shù)的遷移學(xué)習(xí)策略，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，從而降低CNN對(duì)樣本數(shù)據(jù)量的要求。結(jié)合遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法是指用當(dāng)前任務(wù)的樣本數(shù)據(jù)對(duì)一個(gè)已訓(xùn)練好的網(wǎng)絡(luò)模型再次進(jìn)行訓(xùn)練，而不是從頭開始訓(xùn)練，從而得到適用于當(dāng)前任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)模型。由于卷積神經(jīng)網(wǎng)絡(luò)的特征提取部分在不同任務(wù)中是相通的，因此在利用遷移學(xué)習(xí)時(shí)，可以保留卷積層和池化層的結(jié)構(gòu)和參數(shù)，只需將最后的全連接層和輸出層初始化并設(shè)置為可訓(xùn)練狀態(tài)，然后利用當(dāng)前任務(wù)的樣本數(shù)據(jù)重新訓(xùn)練全連接層和輸出層的參數(shù)。通過利用遷移學(xué)習(xí)，只需要少量的樣本數(shù)據(jù)就可以訓(xùn)練出適用于當(dāng)前任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)模型，有效解決了缺乏大量標(biāo)記樣本數(shù)據(jù)以及訓(xùn)練一個(gè)新網(wǎng)絡(luò)需要大量計(jì)算資源的問題。

4 基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的電動(dòng)泵故障診斷方法

采用卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合的電動(dòng)泵故障診斷步驟與方法如下：

1) 構(gòu)建電動(dòng)泵振動(dòng)信號(hào)樣本數(shù)據(jù)集。將每次采集到的電動(dòng)泵振動(dòng)數(shù)據(jù)進(jìn)行規(guī)整處理，生成固定點(diǎn)數(shù)的CNN輸入數(shù)據(jù)，并根據(jù)電動(dòng)泵在對(duì)應(yīng)時(shí)刻的正?；蚬收蠣顟B(tài)對(duì)輸入數(shù)據(jù)標(biāo)記其對(duì)應(yīng)狀態(tài)，所有輸入數(shù)據(jù)及其對(duì)應(yīng)狀態(tài)組成了樣本數(shù)據(jù)集。

2) 預(yù)訓(xùn)練模型修改和初始化。根據(jù)電動(dòng)泵樣本數(shù)據(jù)集的狀態(tài)類別數(shù)量，調(diào)整InceptionV3最后的全連接層和輸出層的輸出節(jié)點(diǎn)個(gè)數(shù)。遷移InceptionV3的參數(shù)，即保持模型特征提取部分的參數(shù)不變，將全連接層和輸出層的參數(shù)重新初始化為接近0的隨機(jī)值。

3) 對(duì)模型進(jìn)行訓(xùn)練。采用2.2節(jié)所述方法，利用電動(dòng)泵已標(biāo)記的樣本數(shù)據(jù)集對(duì)預(yù)訓(xùn)練模型重新訓(xùn)練，得到適用于檢測電動(dòng)泵技術(shù)狀態(tài)的模型。在對(duì)InceptionV3重新訓(xùn)練時(shí)，只需要訓(xùn)練最后的全連接層和輸出層的參數(shù)，其他層的參數(shù)固定不變。

4) 利用訓(xùn)練好的模型進(jìn)行故障診斷。模型訓(xùn)練完成后，采集某時(shí)刻電動(dòng)泵振動(dòng)數(shù)據(jù)，按照要求生成輸入數(shù)據(jù)并輸入CNN模型，得到故障診斷結(jié)果。

5 試驗(yàn)驗(yàn)證方法與結(jié)果分析

5.1 試驗(yàn)數(shù)據(jù)集描述

齒輪和電機(jī)是電動(dòng)泵的重要組成部分，也是容易發(fā)生故障的部件。為驗(yàn)證方法的有效性，本文分別采用齒輪實(shí)驗(yàn)數(shù)據(jù)集和電機(jī)實(shí)驗(yàn)數(shù)據(jù)集對(duì)方法進(jìn)行測試。

齒輪實(shí)驗(yàn)數(shù)據(jù)集是美國Connecticut大學(xué)發(fā)布的齒輪實(shí)驗(yàn)數(shù)據(jù)。該數(shù)據(jù)集為齒輪的振動(dòng)加速度信號(hào)，采樣頻率為20 kHz，包括正常、缺齒、裂紋、剝落以及5種不同程度的磨損狀態(tài)。每種狀態(tài)包含100個(gè)樣本，每個(gè)樣本長度為3 600個(gè)采樣點(diǎn)。

電機(jī)實(shí)驗(yàn)數(shù)據(jù)集是在實(shí)驗(yàn)室的故障診斷綜合實(shí)驗(yàn)臺(tái)上采集的電機(jī)振動(dòng)數(shù)據(jù)。如圖3所示，故障診斷綜合實(shí)驗(yàn)臺(tái)由電機(jī)、軸承座、齒輪箱和負(fù)載組成。該數(shù)據(jù)集為電機(jī)的振動(dòng)加速度信號(hào)，采樣頻率為6 270 Hz，包括電機(jī)正常、定子故障、缺相和轉(zhuǎn)子斷條共4種狀態(tài)。每種狀態(tài)包含100個(gè)樣本，每個(gè)樣本長度為1 024個(gè)采樣點(diǎn)。

圖3 故障診斷綜合實(shí)驗(yàn)臺(tái)

5.2 CNN的訓(xùn)練

振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜均包含豐富的對(duì)象特征信息。為對(duì)比分析這3種數(shù)據(jù)輸入對(duì)模型診斷效果的影響，本文分別選取時(shí)域波形、頻譜和包絡(luò)譜規(guī)整后的數(shù)據(jù)作為CNN模型的輸入，對(duì)方法進(jìn)行測試。以齒輪剝落故障狀態(tài)和電機(jī)定子故障狀態(tài)振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜為例展示如圖4和圖5。

圖4 齒輪剝落故障狀態(tài)振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜

圖5 電機(jī)定子故障狀態(tài)振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜

本文選取交叉熵作為損失函數(shù)，用于評(píng)價(jià)CNN輸出值與實(shí)際值的不一致程度，交叉熵越小，訓(xùn)練越收斂，模型性能越好。交叉熵?fù)p失函數(shù)定義如式(10)所示。

(10)

其中zi代表模型預(yù)測輸出值。

將實(shí)驗(yàn)數(shù)據(jù)集按照6∶2∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集，訓(xùn)練集用于重新訓(xùn)練CNN模型的全連接層和輸出層，驗(yàn)證集用于每次訓(xùn)練后驗(yàn)證模型的準(zhǔn)確性并得出交叉熵，測試集用于后續(xù)進(jìn)行故障診斷效果測試。分別將齒輪實(shí)驗(yàn)數(shù)據(jù)集和電機(jī)實(shí)驗(yàn)數(shù)據(jù)集的時(shí)域波形、頻譜和包絡(luò)譜規(guī)整后的數(shù)據(jù)輸入CNN模型，可分別得到對(duì)應(yīng)的故障診斷模型。不同模型輸入時(shí)訓(xùn)練過程的準(zhǔn)確率和交叉熵變化曲線如圖6和圖7。

圖6 齒輪實(shí)驗(yàn)數(shù)據(jù)集的準(zhǔn)確率和交叉熵變化曲線

圖7 電機(jī)實(shí)驗(yàn)數(shù)據(jù)集的準(zhǔn)確率和交叉熵變化曲線

可以看出，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率先增加后趨于穩(wěn)定，交叉熵先減小后趨于穩(wěn)定，說明模型訓(xùn)練慢慢收斂。以齒輪振動(dòng)信號(hào)的時(shí)域波形數(shù)據(jù)作為模型的輸入為例，訓(xùn)練2 000次后，訓(xùn)練集準(zhǔn)確率在98%上下波動(dòng)，驗(yàn)證集準(zhǔn)確率在95%上下波動(dòng)，交叉熵在0.17上下波動(dòng)，模型訓(xùn)練已收斂。說明隨著訓(xùn)練次數(shù)的增加，模型的性能不斷增強(qiáng)后趨于穩(wěn)定。無論采用時(shí)域波形、頻譜還是包絡(luò)譜數(shù)據(jù)作為輸入，模型的訓(xùn)練效果相似。

5.3 故障診斷效果

CNN模型訓(xùn)練完成后，將測試集的時(shí)域波形、頻譜和包絡(luò)譜數(shù)據(jù)規(guī)整后，分別輸入對(duì)應(yīng)的CNN模型，對(duì)故障診斷的準(zhǔn)確性進(jìn)行測試，測試結(jié)果如表1和表2所示。

表1 齒輪實(shí)驗(yàn)數(shù)據(jù)集的故障診斷準(zhǔn)確率(%)

表2 電機(jī)實(shí)驗(yàn)數(shù)據(jù)集的故障診斷準(zhǔn)確率(%)

可見，方法對(duì)齒輪和電機(jī)的各種故障模式都能取得良好的診斷效果。分別采用齒輪振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜數(shù)據(jù)作為模型的輸入時(shí)，方法總體診斷準(zhǔn)確率分別達(dá)到93.3%、93.3%和95.6%；分別采用電機(jī)振動(dòng)信號(hào)的時(shí)域波形、頻譜和包絡(luò)譜數(shù)據(jù)作為模型的輸入時(shí)，方法總體診斷準(zhǔn)確率分別達(dá)到98.8%、100%和100%。說明無論采用振動(dòng)信號(hào)的時(shí)域波形、頻譜或包絡(luò)譜數(shù)據(jù)作為輸入，方法均能實(shí)現(xiàn)精確的故障診斷。方法對(duì)齒輪實(shí)驗(yàn)數(shù)據(jù)集和電機(jī)實(shí)驗(yàn)數(shù)據(jù)集均能取得良好的診斷效果，說明方法對(duì)不同設(shè)備的故障診斷均具有良好的適用性。

5.4 模型測試

為檢驗(yàn)遷移學(xué)習(xí)的效果，本文通過運(yùn)用與不運(yùn)用遷移學(xué)習(xí)時(shí)CNN模型的訓(xùn)練時(shí)間和故障診斷準(zhǔn)確率，分析遷移學(xué)習(xí)的作用。在進(jìn)行測試時(shí)，所采用的訓(xùn)練集、驗(yàn)證集、測試集和模型訓(xùn)練次數(shù)以及計(jì)算機(jī)算力均與4.2節(jié)保持一致。模型測試結(jié)果如表3～6所示。

表3 齒輪實(shí)驗(yàn)數(shù)據(jù)集的訓(xùn)練時(shí)間(s)

表4 電機(jī)實(shí)驗(yàn)數(shù)據(jù)集的訓(xùn)練時(shí)間(s)

從模型訓(xùn)練時(shí)間可以看出，設(shè)置同樣的訓(xùn)練次數(shù)，運(yùn)用遷移學(xué)習(xí)時(shí)CNN模型的訓(xùn)練時(shí)間相較于不運(yùn)用遷移學(xué)習(xí)時(shí)得到了大大縮短，說明遷移學(xué)習(xí)能夠加快模型的訓(xùn)練速度，這是因?yàn)檫\(yùn)用遷移學(xué)習(xí)大大減少了所需要訓(xùn)練參數(shù)的數(shù)量。

表5 齒輪實(shí)驗(yàn)數(shù)據(jù)集的診斷準(zhǔn)確率(%)Table 5 Fault diagnosis accuracy for gear experiment data set(%)

表6 電機(jī)實(shí)驗(yàn)數(shù)據(jù)集的診斷準(zhǔn)確率(%)

從模型診斷準(zhǔn)確率結(jié)果可以看出，設(shè)置同樣的訓(xùn)練次數(shù)，運(yùn)用遷移學(xué)習(xí)時(shí)CNN模型的診斷準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于不運(yùn)用遷移學(xué)習(xí)時(shí)模型診斷準(zhǔn)確率，這是因?yàn)椴贿\(yùn)用遷移學(xué)習(xí)時(shí)要對(duì)整個(gè)CNN模型的參數(shù)進(jìn)行訓(xùn)練，需要大量樣本數(shù)據(jù)的支持，而本文所采用齒輪數(shù)據(jù)集屬于小樣本數(shù)據(jù)集，數(shù)據(jù)量遠(yuǎn)遠(yuǎn)不夠，容易產(chǎn)生過擬合現(xiàn)象，說明遷移學(xué)習(xí)能夠有效降低方法對(duì)樣本數(shù)據(jù)量的要求。

6 結(jié)論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的電動(dòng)泵故障智能診斷方法。該方法能夠從不同故障狀態(tài)的原始振動(dòng)信號(hào)中自動(dòng)提取故障特征并進(jìn)行分類，無需人工進(jìn)行故障特征提取，不需要大量先驗(yàn)知識(shí)，實(shí)現(xiàn)了故障特征提取與模式識(shí)別一體化的故障診斷。采用結(jié)合遷移學(xué)習(xí)的CNN模型訓(xùn)練方法，只需要利用較少的樣本數(shù)據(jù)就能完成模型的訓(xùn)練。在CNN模型訓(xùn)練完成后，利用其進(jìn)行故障診斷時(shí)，計(jì)算量小，能夠滿足實(shí)時(shí)性的要求，并且具有較高的準(zhǔn)確率，實(shí)用性好。