肖剛 顧海瑞 董錦錦 王琪冰 陸佳煒

摘要：現(xiàn)有的電梯導(dǎo)軌故障診斷研究存在水平振動(dòng)分類數(shù)據(jù)稀缺，訓(xùn)練和測(cè)試數(shù)據(jù)集分布差異較大等問(wèn)題。提出了一種仿真數(shù)據(jù)驅(qū)動(dòng)的長(zhǎng)期服役電梯導(dǎo)軌故障遷移診斷方法。首先構(gòu)建電梯轎廂的水平動(dòng)力學(xué)模型，將不同類型的導(dǎo)軌故障激勵(lì)作為系統(tǒng)輸入進(jìn)行仿真，獲得豐富的轎廂水平異常振動(dòng)數(shù)據(jù)；然后融合殘差網(wǎng)絡(luò)和卷積注意力機(jī)制來(lái)提取故障特征，采用子領(lǐng)域自適應(yīng)方法實(shí)現(xiàn)無(wú)監(jiān)督場(chǎng)景下源域與目標(biāo)域條件分布的對(duì)齊；最后使用不同工況下的電梯水平振動(dòng)數(shù)據(jù)作為目標(biāo)域?qū)λ岱椒ㄟM(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，所提方法在無(wú)監(jiān)督跨域場(chǎng)景下具有較高的故障診斷精度，為解決長(zhǎng)期服役電梯的故障數(shù)據(jù)稀缺問(wèn)題提供了參考。

關(guān)鍵詞：仿真數(shù)據(jù)驅(qū)動(dòng)；長(zhǎng)期服役電梯；水平振動(dòng)；子領(lǐng)域自適應(yīng)；故障診斷

中圖分類號(hào)：TH17；TP391.9

DOI：10.3969/j.issn.1004132X.2024.01.012

Simulation Data-driven Migration Diagnosis Method for Guide Rail Faults

in Long-term Service Elevators

XIAO Gang GU Hairui DONG Jinjin WANG Qibing LU Jiawei

College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou，310018

Abstract： The existing researches of fault diagnosis of elevator guide rails has some problems， such as scarcity of horizontal vibration classification data and large difference in the distribution of training and test data sets. A simulation data-driven fault migration diagnosis method for long-term service elevator guide rails was proposed. Firstly， the horizontal dynamics model of the elevator car was constructed， different types of guide rail fault excitations as system input for simulation and rich horizontal abnormal vibration data of elevator car were obtained. Secondly， the residual network and convolutional attention mechanism were integrated to extract fault features， and the sub-domain adaptive method was used to align the conditional distribution of source domain and target domain in unsupervised scenarios. Finally， the elevator horizontal vibration data under different working conditions were used as the target domain to verify the proposed method. The experimental results show that the proposed method has high fault diagnosis accuracy in unsupervised cross-domain scenarios， which provides a reference for solving the problems of scarcity of fault data for long-term service elevators.

Key words： simulation data-driven； long-term service elevator； horizontal vibration； subdomain adaptation； fault diagnosis

0 引言

隨著我國(guó)電梯保有量和長(zhǎng)期服役電梯（long-term service elevator， LSE）數(shù)量的不斷增加，LSE的故障問(wèn)題日益凸顯，尤其是電梯異常振動(dòng)問(wèn)題最為顯著［1］。電梯異常振動(dòng)對(duì)乘客乘運(yùn)舒適性有很大影響，情況嚴(yán)重時(shí)將導(dǎo)致電梯運(yùn)行事故。LSE受限于當(dāng)時(shí)的制造、安裝工藝水平，其力學(xué)性能與新裝電梯相較有很大差距，且導(dǎo)靴與導(dǎo)軌長(zhǎng)期暴露于潮濕、悶熱的環(huán)境中，隨著使用年限的延長(zhǎng)，其物理特性會(huì)大幅下降，因此，研究LSE的異常振動(dòng)故障診斷方法對(duì)保障乘客乘梯安全具有重要意義。

電梯運(yùn)行過(guò)程中的振動(dòng)響應(yīng)分為水平振動(dòng)響應(yīng)和垂直振動(dòng)響應(yīng)，乘客對(duì)轎廂的水平振動(dòng)響應(yīng)表現(xiàn)更為敏感［2］。研究表明，電梯導(dǎo)向系統(tǒng)是造成轎廂水平振動(dòng)的主要原因，且導(dǎo)軌激勵(lì)是直接影響因素［3］。在轎廂動(dòng)力學(xué)建模方面，陳杰［4］將導(dǎo)靴簡(jiǎn)化為彈簧阻尼系統(tǒng)，建立轎廂的二自由度水平振動(dòng)模型，將導(dǎo)軌彎曲變形作為系統(tǒng)輸入進(jìn)行仿真，得到的仿真結(jié)果與實(shí)測(cè)數(shù)據(jù)基本一致，且水平振動(dòng)強(qiáng)度與電梯運(yùn)行速度成正相關(guān)。ZHANG等［5］發(fā)現(xiàn)轎廂參數(shù)的變化主要影響電梯水平振動(dòng)響應(yīng)的分散程度，而導(dǎo)軌不平度主要影響振動(dòng)響應(yīng)的幅值。然而，現(xiàn)階段的研究主要關(guān)注高速電梯的水平振動(dòng)，針對(duì)LSE的水平振動(dòng)故障診斷問(wèn)題缺乏深入的研究。

隨著物聯(lián)網(wǎng)及人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法逐漸成為主流。通過(guò)傳感器數(shù)據(jù)采集和預(yù)處理，并對(duì)大量標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)，研究人員建立了端到端的故障診斷模型［6］。但是這些智能診斷算法獲得較高準(zhǔn)確率的前提是擁有足量標(biāo)簽數(shù)據(jù)樣本，而現(xiàn)實(shí)中獲取大量含標(biāo)簽的故障樣本費(fèi)時(shí)費(fèi)力。遷移學(xué)習(xí)為解決機(jī)械裝備診斷過(guò)程中訓(xùn)練數(shù)據(jù)缺失的問(wèn)題提供了新的思路。SHAO等［7］將振動(dòng)信號(hào)轉(zhuǎn)化為小波時(shí)頻圖，利用預(yù)訓(xùn)練微調(diào)網(wǎng)絡(luò)分別提取圖像的低級(jí)別和高級(jí)別特征，實(shí)現(xiàn)了數(shù)據(jù)稀缺情況下的高精度機(jī)器故障診斷。張龍等［8］融合多通道振動(dòng)信號(hào)，采用深度遷移學(xué)習(xí)實(shí)現(xiàn)了旋轉(zhuǎn)機(jī)械的故障診斷。LI等［9］使用領(lǐng)域自適應(yīng)方法對(duì)無(wú)標(biāo)簽滾動(dòng)軸承數(shù)據(jù)進(jìn)行無(wú)監(jiān)督訓(xùn)練，得到了魯棒性更好的故障診斷效果。

然而，現(xiàn)有的機(jī)械裝備故障遷移診斷方法通常需要采用充足的試驗(yàn)臺(tái)數(shù)據(jù)構(gòu)建源域，而傳感器采集大都是設(shè)備正常運(yùn)行狀態(tài)下的數(shù)據(jù)，在故障狀態(tài)下運(yùn)行時(shí)間很短，導(dǎo)致故障分類數(shù)據(jù)非常稀缺。此外，電梯損傷實(shí)驗(yàn)的成本高、周期長(zhǎng)且安全性低，針對(duì)此問(wèn)題，一些學(xué)者提出了用仿真數(shù)據(jù)構(gòu)建源域的方法。董紹江等［10］建立了滾動(dòng)軸承的物理模型來(lái)獲取仿真數(shù)據(jù)，采用條件最大均值差異進(jìn)行源域和目標(biāo)域的自適應(yīng)處理，解決了仿真與實(shí)際故障數(shù)據(jù)特征分布不一致的問(wèn)題。XIAO等［11］設(shè)計(jì)了一種嵌入聯(lián)合最大均值差異的改進(jìn)損失函數(shù)，提出了源域樣本權(quán)值分配機(jī)制，實(shí)現(xiàn)了無(wú)監(jiān)督場(chǎng)景下仿真數(shù)據(jù)驅(qū)動(dòng)的域自適應(yīng)滾動(dòng)軸承故障診斷。

綜上，針對(duì)由導(dǎo)軌故障導(dǎo)致的LSE水平振動(dòng)故障分類數(shù)據(jù)稀缺，訓(xùn)練和測(cè)試數(shù)據(jù)集分布差異大等問(wèn)題，本文提出了一種仿真數(shù)據(jù)驅(qū)動(dòng)的LSE導(dǎo)軌故障遷移診斷方法，該方法不同于現(xiàn)有實(shí)驗(yàn)數(shù)據(jù)間的遷移診斷研究，通過(guò)建立轎廂的物理仿真模型獲取豐富的故障數(shù)據(jù)構(gòu)建源域，以降低對(duì)損傷試驗(yàn)方法的依賴；采用遷移預(yù)訓(xùn)練方法加快模型訓(xùn)練速度，降低過(guò)擬合風(fēng)險(xiǎn)，結(jié)合殘差網(wǎng)絡(luò)和卷積注意力機(jī)制增強(qiáng)對(duì)轎廂振動(dòng)小波時(shí)頻圖的特征提取能力；利用局部最大均值差異進(jìn)行源域與目標(biāo)域中子領(lǐng)域的條件分布對(duì)齊，實(shí)現(xiàn)了無(wú)監(jiān)督場(chǎng)景下LSE導(dǎo)軌故障的準(zhǔn)確分類。

1 轎廂動(dòng)力學(xué)仿真建模

1.1 轎廂水平振動(dòng)建模

電梯轎廂的水平振動(dòng)方向分為左右和前后兩個(gè)方向，這兩個(gè)方向的振動(dòng)模型基本一致［4］，本文只考慮轎廂左右方向的振動(dòng)。電梯水平動(dòng)力學(xué)模型中包括轎廂、導(dǎo)軌和導(dǎo)靴三個(gè)部件。電梯是復(fù)雜的機(jī)電一體化設(shè)備，為了便于分析和計(jì)算，對(duì)電梯轎廂輔助零部件進(jìn)行簡(jiǎn)化：①將轎廂和轎廂架視為一個(gè)整體；②忽略導(dǎo)靴的質(zhì)量，將導(dǎo)靴簡(jiǎn)化為彈簧阻尼系統(tǒng)，且每個(gè)導(dǎo)靴的等效剛度和等效阻尼均相同。根據(jù)機(jī)械動(dòng)力學(xué)理論，建立電梯轎廂二自由度水平振動(dòng)模型，如圖1所示。

轎廂存在沿x軸方向的平動(dòng)與繞轎廂y軸轉(zhuǎn)動(dòng)兩個(gè)自由度。其中，x為轎廂水平振動(dòng)位移；θ為轎廂繞質(zhì)心的角位移；xa、xb、xc、xd為導(dǎo)軌對(duì)4個(gè)導(dǎo)靴的位移激勵(lì)；v為電梯運(yùn)行速度；m為轎廂質(zhì)量；k為導(dǎo)靴的等效剛度；c為導(dǎo)靴的等效阻尼；la為導(dǎo)靴a和c到轎廂質(zhì)心的垂直距離；lb為導(dǎo)靴b和d到轎廂質(zhì)心的垂直距離。4個(gè)導(dǎo)靴的水平位移分別為

4組彈性阻尼元件的形變量分別為

根據(jù)達(dá)朗貝爾原理和彈性、阻尼元件動(dòng)力學(xué)特性，建立電梯轎廂水平振動(dòng)微分方程如下：

式中，J為轎廂的轉(zhuǎn)動(dòng)慣量。

系統(tǒng)動(dòng)力學(xué)微分方程的通用形式為

整理式（3）和式（4）可得

1.2 導(dǎo)軌故障激勵(lì)

電梯導(dǎo)向系統(tǒng)的核心部件為導(dǎo)軌和導(dǎo)靴，其主要作用是確保轎廂和對(duì)重沿著導(dǎo)軌垂直方向運(yùn)動(dòng)，以保障電梯的安全性和穩(wěn)定性。導(dǎo)軌本身的安裝缺陷和老化，如導(dǎo)軌對(duì)中誤差、垂直度誤差、支架松動(dòng)、表面粗糙不平等問(wèn)題，均會(huì)引起轎廂運(yùn)行過(guò)程中的水平振動(dòng)。參照文獻(xiàn)［12］，將導(dǎo)軌故障簡(jiǎn)化為3種故障激勵(lì)：失調(diào)激勵(lì)、彎曲激勵(lì)和階躍激勵(lì)，如表1所示。

2 無(wú)監(jiān)督子領(lǐng)域自適應(yīng)電梯導(dǎo)軌故障遷移診斷模型

遷移學(xué)習(xí)是利用已有知識(shí)對(duì)相關(guān)領(lǐng)域問(wèn)題進(jìn)行求解的一種機(jī)器學(xué)習(xí)方法，目的是遷移已有的知識(shí)來(lái)解決目標(biāo)領(lǐng)域中僅有少量甚至沒(méi)有標(biāo)簽數(shù)據(jù)樣本的問(wèn)題。不同領(lǐng)域之間的相似性對(duì)遷移學(xué)習(xí)的性能影響至關(guān)重要，數(shù)據(jù)集之間越相似，模型遷移的效果越好。在仿真數(shù)據(jù)驅(qū)動(dòng)的電梯故障診斷中，源域（source domain）Ds為仿真數(shù)據(jù)，服從分布Ps（x，y）：

Ds={（xsi，ysi）}Nsi=1

式中，xsi為仿真數(shù)據(jù)樣本；ysi為仿真樣本對(duì)應(yīng)的健康狀態(tài)標(biāo)簽；Ns為源域樣本數(shù)據(jù)量。

目標(biāo)域（target domain）Dt為實(shí)測(cè)數(shù)據(jù)，服從分布Pt（x，y）：

Dt={（xtj）}Ntj=1

式中，xtj為傳感器采集的無(wú)標(biāo)簽數(shù)據(jù)樣本；Nt為目標(biāo)域樣本數(shù)據(jù)量。

考慮到電梯轎廂水平振動(dòng)的仿真與實(shí)測(cè)數(shù)據(jù)分布存在差異，時(shí)頻圖故障特征分布集中，傳統(tǒng)深度學(xué)習(xí)模型泛化能力差等問(wèn)題，本文結(jié)合殘差網(wǎng)絡(luò)與注意力機(jī)制的特點(diǎn)，提出無(wú)監(jiān)督子領(lǐng)域自適應(yīng)電梯導(dǎo)軌故障遷移診斷算法（TL-RSCA），模型結(jié)構(gòu)如圖2所示，包括預(yù)訓(xùn)練模型、特征提取層和子領(lǐng)域自適應(yīng)層三個(gè)部分。

首先進(jìn)行數(shù)據(jù)預(yù)處理：將電梯動(dòng)力學(xué)仿真和傳感器采集的一維時(shí)域信號(hào)轉(zhuǎn)為二維圖像再輸入到網(wǎng)絡(luò)中進(jìn)行特征提取，使用滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行分割。選擇連續(xù)小波變換（CWT）將一維振動(dòng)信號(hào)轉(zhuǎn)換成小波時(shí)頻圖并按比例劃分為訓(xùn)練集和測(cè)試集。

2.1 融合深度殘差網(wǎng)絡(luò)和卷積注意力機(jī)制的特征提取網(wǎng)絡(luò)

與傳統(tǒng)遷移學(xué)習(xí)相比，深度遷移學(xué)習(xí)可以提高網(wǎng)絡(luò)在不同任務(wù)上的學(xué)習(xí)效果。但是隨著網(wǎng)絡(luò)層數(shù)的增加，深度卷積神經(jīng)網(wǎng)絡(luò)中會(huì)出現(xiàn)梯度消失和梯度爆炸。針對(duì)此問(wèn)題，本文選擇深度殘差網(wǎng)絡(luò)（residual neural network， ResNet）進(jìn)行特征提取［13］，其基礎(chǔ)架構(gòu)為殘差塊，如圖3所示。殘差塊通過(guò)添加跨層連接捕捉輸入和輸出之間的殘差來(lái)抑制網(wǎng)絡(luò)層數(shù)加深時(shí)的性能退化，圖3b中降采樣層的作用是保證輸出和輸入的特征圖尺寸和通道數(shù)保持一致。

為了使算法關(guān)注圖像中的低頻振動(dòng)特征，在每個(gè)殘差層的輸出位置加入卷積注意力模塊（convolutional block attention module， CBAM）［14］，包括通道注意力（CAM）和空間注意力（SAM）兩個(gè)部分。其中CAM捕捉特征圖各通道之間的聯(lián)系，SAM捕捉特征圖空間區(qū)域之間的聯(lián)系。

輸入特征圖X的同時(shí)通過(guò)最大池化和平均池化得到兩個(gè)1×1×C的特征圖，接著經(jīng)過(guò)共享參數(shù)的多層感知機(jī)（MLP），MLP的輸出相加后經(jīng)過(guò)Sigmoid激活生成最終的通道注意力權(quán)值，其計(jì)算公式如下：

SAM的輸入為CAM的輸出，輸入特征先后經(jīng)過(guò)最大池化和平均池化并進(jìn)行通道拼接，然后輸入到一個(gè)7×7的卷積后變成一個(gè)一維向量，經(jīng)過(guò)Sigmoid激活后得到最終的空間注意力權(quán)值，其計(jì)算公式如下：

式中，MS（X）表示空間注意力模塊；Fcov表示卷積運(yùn)算；X″為空間注意力的輸出特征向量。

為了提高模型的訓(xùn)練速度并增強(qiáng)遷移效果，算法先采用預(yù)處理后的滾動(dòng)軸承數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練，其特征提取網(wǎng)絡(luò)為融合CBAM的ResNet-18。隨機(jī)初始化模型的權(quán)重及偏差，在得到最高的分類準(zhǔn)確率時(shí)保存網(wǎng)絡(luò)權(quán)重參數(shù)。然后進(jìn)行模型遷移與微調(diào)，加載預(yù)訓(xùn)練模型網(wǎng)絡(luò)權(quán)重用于轎廂振動(dòng)數(shù)據(jù)集的診斷，凍結(jié)特征提取網(wǎng)絡(luò)中前2個(gè)殘差塊的權(quán)重參數(shù)以提取圖像淺層特征，微調(diào)后對(duì)2個(gè)殘差塊參數(shù)提取圖像深層特征，從而避免因數(shù)據(jù)樣本不足而導(dǎo)致的模型訓(xùn)練過(guò)擬合。

2.2 局部最大均值差異

領(lǐng)域自適應(yīng)是遷移學(xué)習(xí)中常用的方法，它將兩個(gè)不同領(lǐng)域的數(shù)據(jù)映射到同一個(gè)特征空間，使其在該特征空間上進(jìn)行源域和目標(biāo)域的對(duì)齊，提高算法在目標(biāo)域上的準(zhǔn)確率。最大均值差異（maximum mean discrepancy， MMD）是領(lǐng)域自適應(yīng)中使用最廣泛的分布距離度量方法之一，它是求兩個(gè)概率分布映射到另一個(gè)空間中的數(shù)據(jù)均值之差。但是，傳統(tǒng)域自適應(yīng)方法僅考慮了對(duì)齊全局源域和目標(biāo)域的分布，導(dǎo)致兩個(gè)域中子類別的數(shù)據(jù)過(guò)于接近，無(wú)法實(shí)現(xiàn)準(zhǔn)確分類。針對(duì)該問(wèn)題，本文引入局部最大均值差異（LMMD）［15］，考慮電梯導(dǎo)軌故障類別的條件分布差異，實(shí)現(xiàn)不同子領(lǐng)域的分布對(duì)齊，如圖4所示。

在經(jīng)過(guò)特征提取層后進(jìn)行源域與目標(biāo)域間子領(lǐng)域自適應(yīng)學(xué)習(xí)，實(shí)現(xiàn)目標(biāo)域中電梯轎廂振動(dòng)數(shù)據(jù)無(wú)監(jiān)督學(xué)習(xí)和數(shù)據(jù)分布在高維空間上的對(duì)齊，將訓(xùn)練網(wǎng)絡(luò)輸出作為目標(biāo)域的偽標(biāo)簽計(jì)算局部最大均值差異損失，最后經(jīng)過(guò)全連接層輸出導(dǎo)軌故障分類結(jié)果。

電梯導(dǎo)軌故障遷移診斷算法中需要優(yōu)化的損失函數(shù)為

損失函數(shù)中的子領(lǐng)域自適應(yīng)公式為

式中，下標(biāo)H表示再生核希爾伯特空間；C為故障樣本標(biāo)簽類別數(shù)；φ為特征映射函數(shù)；ωsci、ωtcj分別為xsi和xtj屬于第c類的權(quán)重；yic為輸入向量yi第c類的標(biāo)簽;D為樣本標(biāo)簽集合。

對(duì)于源域中的樣本，使用真實(shí)標(biāo)簽ysi計(jì)算每個(gè)樣本的權(quán)重ωsci。對(duì)于目標(biāo)域的無(wú)標(biāo)簽樣本，深度神經(jīng)網(wǎng)絡(luò)y＾i=f（xi）的輸出是一個(gè)概率分布，它表示將xi識(shí)別為c類的概率大小，因此采用預(yù)

最后，給定具有ns個(gè)含標(biāo)簽的源域Ds和nt個(gè)不含標(biāo)簽的目標(biāo)域Dt，深度神經(jīng)網(wǎng)絡(luò)將會(huì)在第l層中產(chǎn)生{zsli}nsi=1和{ztlj}ntj=1的激活。因此，子領(lǐng)域自適應(yīng)函數(shù)為

式中，zl為第l層（l={1，2，…，L）的激活;L為自適應(yīng)層數(shù)；K（·，·）為高斯核函數(shù)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 轎廂水平振動(dòng)仿真

根據(jù)轎廂動(dòng)力學(xué)微分方程建立Simulink仿真模型，分析每種導(dǎo)軌激勵(lì)下的轎廂水平振動(dòng)響應(yīng)。導(dǎo)靴所受位移激勵(lì)xa與xb在同一側(cè)，故其所受激勵(lì)信號(hào)一致且相差一個(gè)相位。由于導(dǎo)靴的材料屬性與工況條件相同，故認(rèn)為導(dǎo)靴的剛度k和阻尼c均一致。電梯運(yùn)行速度對(duì)轎廂水平振動(dòng)有很大的影響，LSE的運(yùn)行速度通常為1.50，1.75，2.00 m/s?，F(xiàn)將以上三種速度下的轎廂水平振動(dòng)作為工況1、工況2和工況3來(lái)分析。單根導(dǎo)軌長(zhǎng)為5 m，以電梯經(jīng)過(guò)8根導(dǎo)軌的時(shí)間作為仿真時(shí)長(zhǎng)?？紤]LSE的導(dǎo)軌老化磨損情況，取δsmax=10 mm，δwmax=15 mm，δjmax=0.3 mm。某型號(hào)電梯的動(dòng)力學(xué)參數(shù)如表2所示，仿真模型動(dòng)力學(xué)參數(shù)與實(shí)際運(yùn)行的電梯保持一致。工況3下導(dǎo)軌正常、失調(diào)、彎曲、階躍四種類型的轎廂水平振動(dòng)加速度信號(hào)的仿真和實(shí)測(cè)時(shí)域波形對(duì)比如圖5所示。

3.2 仿真數(shù)據(jù)分析

3.2.1 時(shí)頻域?qū)Ρ?/p>

轎廂水平振動(dòng)包含了頻率隨時(shí)間變化的信號(hào)成分， 連續(xù)小波變換在故障診斷中較為常用，比短時(shí)傅里葉變換識(shí)別二維圖像的方法有一定優(yōu)勢(shì)［16］。首先對(duì)一維信號(hào)進(jìn)行均值‘0-1歸一化處理；選擇小波基函數(shù)為cmor3-3，由于電梯水平振動(dòng)的頻率主要集中在低頻段［17］，故將時(shí)頻圖的頻率范圍設(shè)置在0～25 Hz；最后設(shè)置小波時(shí)頻圖的輸出尺寸為224×224×3。

電梯實(shí)際運(yùn)行過(guò)程中，傳感器采集的轎廂加速度信號(hào)包括許多環(huán)境中的噪聲，為了更好地模擬不同導(dǎo)軌激勵(lì)下的實(shí)際轎廂水平振動(dòng)情況，對(duì)仿真激勵(lì)信號(hào)添加高斯白噪聲，并對(duì)實(shí)際振動(dòng)信號(hào)進(jìn)行卡爾曼濾波。圖6為隨機(jī)選取工況3中導(dǎo)軌失調(diào)故障下轎廂振動(dòng)的小波時(shí)頻圖，對(duì)比圖6a和圖6b可知，導(dǎo)軌失調(diào)故障下轎廂水平振動(dòng)的頻率幅值均集中在4～5 Hz左右；不同之處在于仿真信號(hào)中的振動(dòng)頻率成分更為集中，能量密度也較高。因此，仿真信號(hào)包含了實(shí)際故障中的關(guān)鍵特征，表明了物理仿真模型的有效性，仿真與實(shí)際信號(hào)間具有通用的可遷移故障知識(shí)。

3.2.2 頻域?qū)Ρ?/p>

包絡(luò)譜分析是機(jī)械故障診斷領(lǐng)域常用的方法，圖7所示為隨機(jī)選取工況3中導(dǎo)軌失調(diào)故障下仿真信號(hào)與實(shí)際信號(hào)的包絡(luò)譜圖對(duì)比。由圖7可知，轎廂水平振動(dòng)的頻率主要集中在低頻段，仿真信號(hào)與實(shí)際信號(hào)低頻段峰值頻率的頻率分量基本一致，證明了物理仿真模型的有效性。

3.2.3 概率分布對(duì)比

由于受設(shè)備本身安裝誤差、載荷分布及噪聲等不確定性因素的影響，仿真與實(shí)際數(shù)據(jù)特征分布之間存在差異。隨機(jī)選取工況3下導(dǎo)軌正常狀態(tài)的仿真信號(hào)和實(shí)際信號(hào)作概率分布統(tǒng)計(jì)，結(jié)果如圖8所示。

由圖8可知，仿真信號(hào)與實(shí)際信號(hào)的概率分布大致相同，但也存在一定的差異性。由于仿真信號(hào)考慮的隨機(jī)因素較少，故其概率分布較為集中，概率密度峰值較高，表明了采用遷移學(xué)習(xí)進(jìn)行仿真數(shù)據(jù)驅(qū)動(dòng)故障診斷的必要性。

3.3 故障遷移診斷數(shù)據(jù)集說(shuō)明

本文的數(shù)據(jù)集分為預(yù)訓(xùn)練（A）、源域（B）和目標(biāo)域（C），如表3所示。其中，預(yù)訓(xùn)練數(shù)據(jù)集A為凱斯西儲(chǔ)大學(xué)（CWRU）軸承驅(qū)動(dòng)端故障數(shù)據(jù)集，軸承型號(hào)為SKF 6205-2RS，傳感器采樣頻率為12 kHz，將其分為正常、外圈故障、內(nèi)圈故障、滾動(dòng)體故障四種類型。在源域和目標(biāo)域中，仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)的采樣頻率均為50 Hz，從仿真信號(hào)與實(shí)測(cè)信號(hào)中選取250個(gè)數(shù)據(jù)點(diǎn)為一個(gè)樣本，采用滑動(dòng)窗口的形式對(duì)仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)進(jìn)行分割，兩段樣本相距125個(gè)數(shù)據(jù)點(diǎn)，即重疊率為50%，直到分割結(jié)束。

目標(biāo)域中實(shí)測(cè)數(shù)據(jù)集來(lái)自某公司的電梯物聯(lián)網(wǎng)平臺(tái)，電梯的振動(dòng)數(shù)據(jù)采用三軸加速度傳感器測(cè)量，傳感器放置于轎廂頂部中心位置。選取系統(tǒng)中服役年限超過(guò)10年的LSE，對(duì)轎廂水平異常振動(dòng)數(shù)據(jù)進(jìn)行篩選后，共整理出每種工況下有效數(shù)據(jù)600條。將所有數(shù)據(jù)按8∶2的比例劃分為訓(xùn)練集和測(cè)試集。

3.4 遷移診斷模型性能分析

3.4.1 實(shí)驗(yàn)參數(shù)與對(duì)比模型

實(shí)驗(yàn)使用的環(huán)境配置為：64位Windows10操作系統(tǒng)，運(yùn)行內(nèi)存為32G，CPU為Intel Corei7-12700K@3.60GHz，GPU為Nvidia GeForce RTX 3080，程序運(yùn)行環(huán)境為Python3.9，深度學(xué)習(xí)框架為Pytorch1.0。

算法的訓(xùn)練參數(shù)設(shè)置如下：迭代次數(shù)設(shè)置為100，批樣本個(gè)數(shù)為32，特征提取層選擇交叉熵?fù)p失函數(shù)，學(xué)習(xí)率為0.001，采用ADAM梯度優(yōu)化方法，L2正則化系數(shù)取5×e-4，自適應(yīng)層數(shù)L=1，自適應(yīng)層學(xué)習(xí)率為特征提取層的10倍，學(xué)習(xí)率調(diào)整公式為ηp=η0/（1+αp）β，p服從0～1線性變化的訓(xùn)練進(jìn)度，η0=0.01，α=10，β=0.75。為了抑制訓(xùn)練開(kāi)始時(shí)的噪聲激活，動(dòng)態(tài)地改變權(quán)衡參數(shù)λ，使其滿足λ=2/（1+e-10m/M）-1，其中，m表示當(dāng)前迭代次數(shù)，M表示總迭代次數(shù)。

本文的遷移學(xué)習(xí)任務(wù)共包括3個(gè)全局域，分別對(duì)應(yīng)三種工況下轎廂水平振動(dòng)情況。每個(gè)全局域有4類子領(lǐng)域，對(duì)應(yīng)導(dǎo)軌正常和導(dǎo)軌失調(diào)、彎曲、階躍3種故障類型。將本文改進(jìn)算法與其他算法進(jìn)行對(duì)比分析，為保證對(duì)比結(jié)果的有效性，所有遷移學(xué)習(xí)的特征提取網(wǎng)絡(luò)都采用ResNet-18。源域與目標(biāo)域共享相同的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，本文所提模型的結(jié)構(gòu)參數(shù)如表4所示。

3.4.2 不同模型診斷結(jié)果分析

為論證故障遷移診斷的必要性，本文比較了6種方法的診斷精度。方法1使用源域數(shù)據(jù)訓(xùn)練ResNet，不采用遷移學(xué)習(xí)，直接在目標(biāo)域測(cè)試集上輸出診斷結(jié)果；然后，為體現(xiàn)子領(lǐng)域自適應(yīng)遷移診斷模型的優(yōu)越性，與其他經(jīng)典遷移學(xué)習(xí)方法進(jìn)行對(duì)比。方法2為多表示適應(yīng)網(wǎng)絡(luò)（MRAN）［18］，其領(lǐng)域自適應(yīng)函數(shù)為CMMD。方法3為深度子領(lǐng)域自適應(yīng)算法（DSAN），其領(lǐng)域自適應(yīng)函數(shù)替換為L(zhǎng)MMD。方法4為深度動(dòng)態(tài)分布自適應(yīng)網(wǎng)絡(luò)（DDAN）［19］，在特征層嵌入了動(dòng)態(tài)適配單元。方法5為深度動(dòng)態(tài)對(duì)抗適配網(wǎng)絡(luò)（DAAN）［20］，通過(guò)自適應(yīng)因子動(dòng)態(tài)地衡量遷移過(guò)程中的邊緣分布和條件分布。方法6為本文所提方法（TL-RSCA），與方法3進(jìn)行消融實(shí)驗(yàn)對(duì)比。不同模型的診斷精度如表5所示，圖9為不同模型診斷結(jié)果的柱狀圖。

由圖9、表5可知，6種方法的準(zhǔn)確率從工況1到工況3逐步增大，這是因?yàn)殡S著電梯運(yùn)行速度增大，轎廂水平振動(dòng)幅值增大，小波時(shí)頻圖特征更加明顯，隨機(jī)干擾對(duì)算法準(zhǔn)確率的影響降低。方法1在不同工況下的平均診斷準(zhǔn)確率僅71.24%，明顯低于其他5種方法的診斷精度，原因是仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)在數(shù)據(jù)分布上存在差異，只采用仿真數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)無(wú)法直接用于實(shí)際故障數(shù)據(jù)的診斷，表明了遷移診斷的必要性。

方法3的診斷平均準(zhǔn)確率為84.79%，高于其他遷移學(xué)習(xí)模型MRAN、DDAN和DAAN的診斷準(zhǔn)確率，可以得出結(jié)論：LMMD可對(duì)齊源域與目標(biāo)域中的不同子類，故障的遷移效果更好，模型泛化能力和魯棒性更強(qiáng)。方法3和方法6的對(duì)比驗(yàn)證了在殘差塊中加入CBAM的有效性，CBAM使網(wǎng)絡(luò)更關(guān)注小波時(shí)頻圖中低頻振動(dòng)明顯的特征，降低了對(duì)圖像中噪聲的關(guān)注度。

選取算法最優(yōu)診斷精度，即工況3下的診斷結(jié)果進(jìn)行分析。圖10為6種方法在目標(biāo)域測(cè)試集上的混淆矩陣對(duì)比結(jié)果圖。在混淆矩陣中，導(dǎo)軌正常、失調(diào)故障、彎曲故障和階躍故障對(duì)應(yīng)的標(biāo)簽依次為0，1，2，3。

由圖10可知，不同方法對(duì)導(dǎo)軌彎曲故障的診斷精度均最高，原因是導(dǎo)軌彎曲故障的小波時(shí)頻圖相較于其他3類特征更加明顯；而導(dǎo)軌正常和導(dǎo)軌失調(diào)故障的小波時(shí)頻圖特征比較相近，導(dǎo)致算法對(duì)這兩類故障的診斷準(zhǔn)確率較低。方法6對(duì)每一子類故障的分類錯(cuò)誤更少，表明本文所提方法具有最優(yōu)的診斷性能。

為了更好地體現(xiàn)本文所提方法的特征適配性能，針對(duì)源域和目標(biāo)域的測(cè)試集，采用t-SNE算法將不同模型降維后的特征樣本進(jìn)行可視化，如圖11所示。其中源域的導(dǎo)軌正常、失調(diào)故障、彎曲故障和階躍故障對(duì)應(yīng)的標(biāo)簽依次為S0，S1，S2， S3，目標(biāo)域標(biāo)簽相應(yīng)為T0，T1，T2，T3。

由對(duì)比結(jié)果可得，本文所提方法具有較好的聚類效果，類內(nèi)聚集較緊密，類間分布較遠(yuǎn)。說(shuō)明相較于采用全局域?qū)R，LMMD在考慮條件分布差異下的子領(lǐng)域?qū)R效果更好。但是，從模型的分類結(jié)果看，源域和目標(biāo)域仍然存在少量樣本分類錯(cuò)誤，主要原因是實(shí)測(cè)數(shù)據(jù)包含許多不確定性因素導(dǎo)致小波時(shí)頻圖的特征差異不明顯，影響最后的分類結(jié)果。

3.5 預(yù)訓(xùn)練模型效果分析

為了驗(yàn)證采用預(yù)訓(xùn)練模型帶來(lái)的性能提升，將所提方法（M1）與未使用預(yù)訓(xùn)練模型的方法（M2）進(jìn)行對(duì)比，將M2的特征提取網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化，其余參數(shù)設(shè)置與上述實(shí)驗(yàn)均相同。圖12為工況3下模型的準(zhǔn)確率對(duì)比曲線，兩種方法診斷精度和訓(xùn)練時(shí)間的對(duì)比結(jié)果如表6所示。

由圖12、表6可知，M1初始迭代時(shí)的準(zhǔn)確率更高，模型訓(xùn)練的收斂速度更快，且M1在保證算法高準(zhǔn)確率的情況下訓(xùn)練時(shí)間更短，主要原因是滾動(dòng)軸承數(shù)據(jù)集樣本規(guī)模更大，在大數(shù)據(jù)集上訓(xùn)練得到的模型抗過(guò)擬合能力更強(qiáng)，提高了下游遷移任務(wù)的診斷精度下限。

3.6 不同數(shù)據(jù)增強(qiáng)方法對(duì)比

針對(duì)LSE故障診斷中數(shù)據(jù)稀缺問(wèn)題，為說(shuō)明仿真數(shù)據(jù)驅(qū)動(dòng)的數(shù)據(jù)增強(qiáng)方法在小樣本學(xué)習(xí)中的優(yōu)越性，將其與另外2種常用的數(shù)據(jù)增強(qiáng)方法作比較。方法1通過(guò)對(duì)小波時(shí)頻圖進(jìn)行旋轉(zhuǎn)、拉伸縮放、隨機(jī)裁剪和添加高斯白噪聲等操作進(jìn)行數(shù)據(jù)增強(qiáng)。方法2利用深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN）對(duì)轎廂實(shí)測(cè)數(shù)據(jù)集的小波時(shí)頻圖進(jìn)行數(shù)據(jù)增強(qiáng)［21］。方法3為本文所提方法，即采用仿真數(shù)據(jù)作為源域，實(shí)測(cè)數(shù)據(jù)作為目標(biāo)域進(jìn)行遷移學(xué)習(xí)。為保證對(duì)比實(shí)驗(yàn)的公平性，每種方法的數(shù)據(jù)集樣本數(shù)量相同，且均采用預(yù)訓(xùn)練模型。由于方法1和方法2不涉及數(shù)據(jù)特征分布變化，故不使用領(lǐng)域自適應(yīng)操作，在特征提取后分別經(jīng)過(guò)全連接層輸出診斷結(jié)果。從轎廂實(shí)測(cè)數(shù)據(jù)集中隨機(jī)抽取不同類別數(shù)據(jù)樣本共80條，采用不同方法對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)分別得到有效數(shù)據(jù)240條，按比例劃分為訓(xùn)練集和測(cè)試集。表7所示為不同方法在三種工況下的故障診斷精度對(duì)比。

由表7可知，由于總樣本數(shù)量有限，3種方法在小樣本數(shù)據(jù)集上的診斷精度有所下降，但是方法3的平均準(zhǔn)確率為83.11%，明顯高于另外2種方法的診斷準(zhǔn)確率。主要原因是方法1和方法2都是在原有數(shù)據(jù)集上進(jìn)行數(shù)據(jù)增強(qiáng)，樣本之間的特征相似度較高，導(dǎo)致數(shù)據(jù)樣本的質(zhì)量較差，模型訓(xùn)練時(shí)容易出現(xiàn)過(guò)擬合現(xiàn)象；方法3由故障失效機(jī)理產(chǎn)生的仿真數(shù)據(jù)進(jìn)行增強(qiáng)，數(shù)據(jù)集中的樣本特征更豐富，訓(xùn)練得到的模型泛化能力更強(qiáng)。因此，基于模型仿真數(shù)據(jù)驅(qū)動(dòng)的數(shù)據(jù)增強(qiáng)方法在小樣本學(xué)習(xí)下可以實(shí)現(xiàn)更有效的故障診斷。

4 結(jié)論

本文提出了一種仿真數(shù)據(jù)驅(qū)動(dòng)的長(zhǎng)期服役電梯（LSE）導(dǎo)軌故障遷移診斷方法，旨在解決導(dǎo)軌故障導(dǎo)致的LSE水平振動(dòng)故障分類數(shù)據(jù)稀缺等問(wèn)題，獲得以下結(jié)論：

（1）在遷移學(xué)習(xí)方法中，采用仿真數(shù)據(jù)作為源域數(shù)據(jù)集訓(xùn)練智能診斷網(wǎng)絡(luò)用于機(jī)械裝備的故障診斷問(wèn)題完全可行，可以減少對(duì)實(shí)際故障數(shù)據(jù)的依賴，仿真數(shù)據(jù)增強(qiáng)方法在小樣本故障診斷下更有優(yōu)勢(shì)。

（2）采用預(yù)訓(xùn)練模型提高了故障診斷算法的收斂速度，通用特征提取層結(jié)合殘差網(wǎng)絡(luò)和卷積注意力模塊的優(yōu)點(diǎn)，增強(qiáng)了算法的特征提取能力。采用局部最大均值差異進(jìn)行源域與目標(biāo)域子領(lǐng)域?qū)R，實(shí)現(xiàn)了更好的遷移效果。

（3）在不同工況下的轎廂水平振動(dòng)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明所提方法具有一定的優(yōu)越性，為解決長(zhǎng)期服役電梯因缺少大量故障運(yùn)行數(shù)據(jù)而無(wú)法構(gòu)建有效智能診斷模型問(wèn)題提供了參考，對(duì)保障長(zhǎng)期服役電梯的安全運(yùn)行具有重要意義。

參考文獻(xiàn)：

［1］ FENG Shuangchang， CHEN Jie， CHANG Xiaoqing. Analysis of the Hidden Danger for Old Elevator Safety［C］∥2020 3rd International Conference on Electron Device and Mechanical Engineering（ICEDME）. Suzhou， 2020：605-608.

［2］ 宋丹龍， 白洋洋， 張向陽(yáng)， 等. 電梯滾動(dòng)導(dǎo)靴橫向隔振性能分析與優(yōu)化［J］. 機(jī)械設(shè)計(jì)， 2021， 38（1）：34-41.

SONG Danlong， BAI Yangyang， ZHANG Xiangyang， et al. Analysis and Optimization of Horizontal Vibration Isolation Performance of the Elevators Rolling Guide Shoe［J］. Journal of Machine Design， 2021， 38（1）：34-41.

［3］ 梅德慶， 杜小強(qiáng)， 陳子辰. 基于滾動(dòng)導(dǎo)靴-導(dǎo)軌接觸模型的高速曳引電梯振動(dòng)分析［J］. 機(jī)械工程學(xué)報(bào)， 2009， 45（5）：264-270.

MEI Deqing， DU Xiaoqiang， CHEN Zichen. VibrationAnalysis of High-speed Traction Elevator Based on Guide Roller-rail Contact Model［J］. Chinese Journal of Mechanical Engineering， 2009， 45（5）：264-270.

［4］ 陳杰. 高速電梯水平振動(dòng)性能分析與導(dǎo)向系統(tǒng)設(shè)計(jì)優(yōu)化及其應(yīng)用研究［D］. 杭州：浙江大學(xué)， 2016.

CHEN Jie. Performance Analysis of Horizontal Vibration in High-speed Elevator and Design Optimization of Guidance System and Its Application［D］. Hangzhou：Zhejiang University， 2016.

［5］ ZHANG Ruijun， WANG Chen， ZHANG Qing. Response Analysis of the Composite Random Vibration of a High-speed Elevator Considering the Nonlinearity of Guide Shoe［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2018， 40：1-10.

［6］ LEI Yaguo， YANG Bin， JIANG Xinwei， et al. Applications of Machine Learning to Machine Fault Diagnosis：a Review and Roadmap［J］. Mechanical Systems and Signal Processing， 2020， 138：106587.

［7］ SHAO S Y， MCALEER S， YAN R Q， et al. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning［J］. IEEE Transactions on Industrial Informatics， 2018， 15（4）：2446-2455.

［8］ 張龍， 胡燕青， 趙麗娟， 等. 多通道信息融合與深度遷移學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷［J］. 中國(guó)機(jī)械工程，2023，34（8）：966-975.

ZHANG Long，HUYanqing， ZHAO Lijuan， et al. Multi-channels Information Fusion and Deep Transfer Learning for Rotating Machinery Fault Diagnosis［J］. China Mechanical Engineering，2023，34（8）：966-975.

［9］ LI Xingqiu， JIANG Hongkai， WANG Ruixin， et al. Rolling Bearing Fault Diagnosis Using Optimal Ensemble Deep Transfer Network［J］. Knowledge-based Systems， 2021， 213：106695.

［10］ 董紹江， 朱朋， 朱孫科， 等. 基于仿真數(shù)據(jù)驅(qū)動(dòng)和領(lǐng)域自適應(yīng)的滾動(dòng)軸承故障診斷方法［J］. 中國(guó)機(jī)械工程， 2023， 34（6）：694-702.

DONG Shaojiang， ZHU Peng， ZHU Sunke， et al. Fault Diagnosis Method of Rolling Bearing Based on Simulation Data Drive and Domain Adaptation［J］. China Mechanical Engineering， 2023， 34（6）：694-702.

［11］ XIAO Yiming， SHAO Haidong， HAN Songyu， et al. Novel Joint Transfer Network for Unsupervised Bearing Fault Diagnosis from Simulation Domain to Experimental Domain［J］. IEEE/ASME Transactions on Mechatronics， 2022， 27（6）：5254-5263.

［12］ 武儀， 薩日娜， 裘樂(lè)淼， 等. 基于導(dǎo)軌多激勵(lì)關(guān)聯(lián)的轎廂水平振動(dòng)預(yù)測(cè)方法［J］. 機(jī)電工程， 2021， 38（12）：1520-1528.

WU Yi， SA Rina， QIU Lemiao， et al. Car Horizontal Vibration Prediction Method Based on Guideway Multiple Excitation Correlation［J］. Journal of Mechanical& Electrical Engineering， 2021， 38（12）：1520-1528.

［13］ HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Deep Residual Learning for Image Recognition［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas ，2016：770-778.

［14］ WOO S， PARK J， LEE J， et al. CBAM：Convolutional Block Attention Module［C］∥Proceedings of the European Conference on Computer Vision（ECCV）.Munich，2018：3-19.

［15］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Deep Subdomain Adaptation Network for Image Classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 32（4）：1713-1722.

［16］ 朱朋， 董紹江， 李洋， 等. 基于殘差注意力機(jī)制和子領(lǐng)域自適應(yīng)的時(shí)變轉(zhuǎn)速下滾動(dòng)軸承故障診斷［J］. 振動(dòng)與沖擊， 2022， 41（22）：293-300.

ZHU Peng， DONG Shaojiang， LI Yang， et al. Fault Diagnosis of Rolling Bearings under Time-varying Speed Based on the Residual Attention Mechanism and Subdomain Adaptation［J］. Journal of Vibration and Shock， 2022， 41（22）：293-300.

［17］ QIU Lemiao， SU Guannan， WANG Zili， et al. High-speed Elevator Car Horizontal Vibration Fluid-solid Interaction Modeling Method［J］. Journal of Vibration and Control， 2022， 28（21/22）：2984-3000.

［18］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Multi-representation Adaptation Network for Cross-domain Image Classification［J］. Neural Networks， 2019， 119：214-21.

［19］ WANG Jindong， CHEN Yiqiang， FENG Wenjie， et al. Transfer Learning with Dynamic Distribution Adaptation［J］. ACM Transactions on Intelligent Systems and Technology（TIST）， 2020， 11（1）：1-25.

［20］ YU Chaohui， WANG Jindong， CHEN Yiqiang， et al. Transfer Learning with Dynamic Adversarial Adaptation Network［C］∥Proceedings of the 2019 IEEE International Conference on Data Mining（ICDM）. Beijing ，2019：19303062.

［21］ 胡向東， 梁川， 楊希. 基于時(shí)頻增強(qiáng)的滾動(dòng)軸承少樣本故障診斷方法［J］. 計(jì)量學(xué)報(bào)， 2023， 44（1）：12-20.

HU Xiangdong， LIANG Chuan， YANG Xi. AMethod of Fault Diagnosis with Few Samples for Rolling Bearing Based on Time-frequency Enhancement［J］. Acta Metrologica Sinica， 2023， 44（1）：12-20.