李霽蒲　黃如意　陳祝云　廖奕校　夏景演　李巍華

摘要： 遷移學習智能故障診斷方法已經(jīng)成為了機械設(shè)備故障診斷領(lǐng)域的一個研究熱點。然而，大多數(shù)相關(guān)方法在遷移學習過程中未能合理地評估源域樣本和目標域樣本的相似性，且數(shù)據(jù)分布的差異會造成遷移診斷的結(jié)果不同。針對此問題，提出深度卷積動態(tài)對抗遷移網(wǎng)絡(luò)用于主軸軸承智能故障診斷。該網(wǎng)絡(luò)首先利用一維卷積神經(jīng)網(wǎng)絡(luò)從處理過的振動信號中自動提取特征集，然后利用動態(tài)對抗學習策略動態(tài)地調(diào)整條件分布和邊緣分布在遷移學習過程中的重要程度，有效地提高遷移診斷的精度。通過數(shù)控機床主軸軸承故障診斷實驗，驗證了所提方法的有效性。實驗結(jié)果表明，所提方法能夠有效挖掘故障特征信息，實現(xiàn)不同工況之間的知識遷移，具有較好的應(yīng)用價值。

關(guān)鍵詞： 智能診斷;?軸承;?深度學習;?遷移學習;?動態(tài)對抗

中圖分類號： TH165.3;?TH133.3 ???文獻標志碼： A ???文章編號： 1004-4523（2022）02-0446-08

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

引??言

數(shù)控機床在智能制造中具有廣泛的應(yīng)用。其中，主軸軸承作為數(shù)控機床主軸上的關(guān)鍵部件，其工作狀態(tài)直接影響著產(chǎn)品的加工質(zhì)量、刀具的壽命與加工效率。由于主軸在運行過程中起傳遞運動扭矩、承受切削力和驅(qū)動力等載荷的作用，運行時受強噪聲干擾，主軸軸承的故障診斷通常具有很大的難度。因此，如何準確實現(xiàn)主軸軸承的故障診斷對于保障工業(yè)安全生產(chǎn)、降低生產(chǎn)成本損失具有重要意義。

在基于深度學習（deep learning）的故障診斷研究中，“數(shù)據(jù)”對于一個診斷模型的性能有著舉足輕重的作用。通常一個性能良好的故障診斷模型需要大量充足可靠的標簽數(shù)據(jù)作為訓(xùn)練支撐。然而，在實際的工業(yè)應(yīng)用中，由于無法有效判斷發(fā)生故障的類型，新獲取的數(shù)據(jù)通常難以標記，這給傳統(tǒng)深度學習模型的訓(xùn)練帶來極大的挑戰(zhàn)。由于深度學習模型訓(xùn)練通常是針對特定工況進行訓(xùn)練和診斷，當面對其他工況時，需要使用新數(shù)據(jù)對已訓(xùn)練好的診斷模型重新訓(xùn)練，這無疑增加了診斷成本。因此，如果可以利用已訓(xùn)練好的模型去診斷其他工況的工作狀態(tài)，可以有效減少模型的訓(xùn)練時間，并提高模型的泛化性能。

對于上述問題，遷移學習（transfer learning）可能是一種有效的解決方案。遷移學習的核心思想是運用已存有的知識對不同但相關(guān)領(lǐng)域的問題進行求解，目的是利用已有的“先驗知識”解決另一領(lǐng)域中只擁有少量標簽甚至沒有標簽的學習問題。遷移學習已在圖像識別、自然語言處理和工業(yè)應(yīng)用等領(lǐng)域得到了成功應(yīng)用。

根據(jù)目標域標簽數(shù)據(jù)的數(shù)量，遷移學習分為有監(jiān)督遷移學習、半監(jiān)督遷移學習和無監(jiān)督遷移學習。在機械故障診斷領(lǐng)域中，由于實際機械設(shè)備運行中新獲取的數(shù)據(jù)通常是無標簽的，因此論文重點關(guān)注無監(jiān)督遷移學習的診斷應(yīng)用情況。

沈飛等提出了奇異值分解與遷移學習結(jié)合的方法，解決了電機軸承故障診斷的問題;Chen等建立遷移卷積故障診斷網(wǎng)絡(luò)，解決了小樣本數(shù)據(jù)的軸承故障識別問題;雷亞國等利用實驗室數(shù)據(jù)解決了工程實際難以獲得高精度智能診斷模型的問題;Guo等提出了深度卷積遷移學習網(wǎng)絡(luò)（deep convolutional transfer learning network，DCTLN），該方法將一維卷積神經(jīng)網(wǎng)絡(luò)（one?dimension convolution neural networks，?1D?CNN）和最大均值差異（maximum mean discrepancy，MMD）結(jié)合實現(xiàn)不同數(shù)據(jù)集之間的遷移。然而，上述方法在遷移過程中僅僅只考慮數(shù)據(jù)間的邊緣分布，而未曾考慮數(shù)據(jù)間的條件分布。已有研究證明，由于不同源域樣本和目標域樣本之間存在不同相似度，在知識遷移過程中，邊緣分布和條件分布的重要度也不同。對于機械設(shè)備故障而言，當兩個運行工況之間的數(shù)據(jù)分布整體較為相似時，即類間間距較小，條件分布相對重要;反之，當兩個運行工況之間的數(shù)據(jù)分布整體不相似，即類間間距較大、類內(nèi)間距較小時，則邊緣分布占比應(yīng)當更多。

實際上，已經(jīng)有學者做了一些關(guān)于邊緣分布和條件分布在遷移學習過程中“占比”的研究。Long等提出了聯(lián)合分布適配（joint distribution adaptation，?JDA），該方法創(chuàng)新地提出了聯(lián)合分配概率并在圖像識別領(lǐng)域取得較好的實驗效果，但是JDA將邊緣分布和條件分布看成同等重要，無法自適應(yīng)調(diào)整兩種分布在不同數(shù)據(jù)結(jié)構(gòu)中的比例。Wang等針對JDA方法的局限性，提出了平衡分布適配（balanced distribution adaptation，?BDA）計算邊緣分布和條件分布的占比，但是該方法無法自適應(yīng)地從原始振動信號中提取高維特征表達。可見，在減少兩個工況的數(shù)據(jù)分布差異時，如何在深度遷移學習中合理評估邊緣分布和條件分布的重要程度直接影響著學習結(jié)果。

為解決上述兩個問題，受文獻[11]的啟發(fā)，論文提出一種深度卷積動態(tài)對抗網(wǎng)絡(luò)（deep convolutional dynamic adversarial network，?DCDAN），并將其應(yīng)用到數(shù)控機床主軸軸承不同工況之間的故障診斷。對比已有的遷移學習方法，所提出的DCDAN采用動態(tài)對抗學習策略，根據(jù)兩個運行工況的相似性，動態(tài)地計算兩個邊緣分布和條件分布在遷移過程中的占比，從而有效地提升診斷精度。