CN111442926A

CN111442926A - 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法

Info

Publication number: CN111442926A
Application number: CN202010034456.5A
Authority: CN
Inventors: 王玉静; 吕海岩; 康守强; 康成璐; 王庆岩; 谢金宝
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2020-01-11
Filing date: 2020-01-11
Publication date: 2020-07-24
Anticipated expiration: 2040-01-11
Also published as: CN111442926B

Abstract

一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。

Description

一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法

技术领域

本发明涉及滚动轴承深层特征迁移的故障诊断方法，属于滚动轴承故障诊断技术领域。

背景技术

滚动轴承是旋转机械设备的关键部件，工作环境常常是恶劣的，导致其容易发生故障^[1-2]。在实际工作中滚动轴承负载多变、型号多样，同一型号下的故障诊断方法一般不适合直接运用到变负载下不同型号的情况。因此，准确识别变负载下不同型号滚动轴承状态，对预防旋转机械设备事故发生具有重要意义^[3]。

近年来，由于人工智能技术的发展，滚动轴承故障诊断的方法研究日新月异^[4-6]。传统的时域、频域及时频域特征提取方法需要利用一定的特征提取经验及知识，对于不同的数据需要进行不同的操作，费时费力^[7]。随着深度学习被越来越多的学者关注、研究，很大程度克服了传统特征提取的缺陷^[8]。文献[9]通过选择输入时频矩阵的滑动框大小确定大型内存存储及检索神经网络的结构，在轴承故障诊断方面具有较好的效果。文献[10]通过替换AlexNet网络最后一个全连接层完成轴承故障诊断，且可加快训练速度。文献[11]使用基于堆叠去噪自动编码器的深度神经网络实现了不同负载下滚动轴承的故障诊断，获得较好的诊断结果。文献[12]基于具有差分概率的集成学习提出概率神经网络，有效实现不同工作条件及损伤程度的滚动轴承故障诊断。文献[13]提出深度卷积信念网络与压缩感知结合的方法，将其应用于不同负载下的滚动轴承故障诊断并具有较好的效果。

在不同负载情况下，滚动轴承振动特性更复杂。学者从提取浅层特征结合迁移学习的角度对变负载下滚动轴承故障诊断进行研究，解决了因不同负载数据作为源域和目标域时分布差异大而导致的模型泛化能力差的问题。文献[14]提出一种改进的联合分布自适应方法，可更好地对齐特征集的边缘分布与条件分布，在轴承故障诊断上具有很好的效果。文献[15]提出利用变换矩阵将数据传输到低维子空间，并引入正则化项，可有效诊断轴承故障。文献[16]提出一种基于增强型最小二乘支持向量机的迁移学习故障诊断方法，有效地解决了不同负载下滚动轴承故障诊断问题。

上述研究成果显示，利用深度学习提取滚动轴承振动信号的细节特征，可较好地解决变负载下滚动轴承的故障诊断问题，但分类模型的泛化性能较差。提取浅层特征结合迁移学习的方法可解决该问题，但基于浅层特征对滚动轴承进行精细分类时，准确率有待进一步提高。

近年来，深度迁移学习成为研究热点。深度迁移学习可自动提取数据集的深层特征，并能够解决样本数据不充裕问题，已成功应用于语音^[17]、图像^[18]以及文本^[19]识别等领域。文献[20]提出利用深度卷积网络提取故障数据的深层特征，设计一种特征映射方法，并将支持向量机用于不同工作条件下轮机轴承故障诊断，结果证明在小样本条件下该方法具有较好的故障诊断能力。文献[21]提出一种声谱成像结合深度卷积网络的故障诊断方法，通过知识迁移实现不同工作条件下轴承的故障诊断，并获得较高准确率。

上述研究方法中深度模型与迁移模型是先后分开的，并未融合成统一的模型，适用于不同域数据分布差异不是特别大的情况。而域适应迁移方法在数据分布差异较大时具有更好的效果。文献[22]提出深度适配网络(Joint Adaptation Networks，JAN)，通过联合最大平均差异准则对齐多个跨域的特定领域层的联合分布，减小不同域之间的分布差异。文献[23]提出联合分布适配法(Joint distribution Adaptation，JDA)，通过减小源领域和目标领域之间的联合概率分布距离，缩小领域间的差异。文献[24]应用测地线流式核(Geodesic Flow Kernel，GFK)，通过大量的中间子空间一步步地将源领域数据向目标领域数据对齐，在视觉识别领域具有较好的效果。文献[25]利用域适应方法度量不同域数据特征分布的相似性，提高模型的泛化性，实现了不同工况下滚动轴承故障诊断。文献[26]提出可迁移特征域适应方法，实现不同工况下滚动轴承的故障诊断，具有较好的效果。文献[27]提出一种基于多层框架多个内核变体的最大平均差异方法，实现了不同工作条件下旋转机械的故障诊断。

上述域适应方法可自动提取滚动轴承振动数据的特征，对不同工况下轴承故障诊断具有较好的效果。但滚动轴承在实际工作中，不同型号下大量振动数据和标签很难全面获取，加之型号变化导致相同状态(例如不同型号的内圈损伤程度)的信号存在客观差异，使得源域数据和目标域数据分布相差极大。同时上述方法只关注于特征的迁移，并没有考虑标签与特征之间的联系，故当数据特征具有复杂模态结构时，容易产生负迁移现象，影响实验效果。

因此，提高变负载下不同型号滚动轴承故障状态精细分类准确率，并防止负迁移现象势在必行。

发明内容

本发明要解决的技术问题是：

滚动轴承多数时间处于正常运行状态，且其工作负载不同、损伤位置以及程度不同，因此，带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断，因此，为提高变负载下不同型号滚动轴承故障状态精细分类准确率，并防止负迁移现象，本发明提供了一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法。

本发明解决上述技术问题采用的技术方案是：

一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，所述方法的实现过程为：

步骤(1)、数据选取

获取已知某种型号的滚动轴承的所有状态振动信号，将其作为源域数据；将未知具体状态的其他型号滚动轴承振动信号作为目标域数据；所有状态包括正常状态、内圈不同故障程度、外圈不同故障程度、滚动体不同故障程度；未知具体状态是指无标签状态；

步骤(2)、数据预处理

对源域与目标域数据作短时傅里叶变换并构建二维图像数据集，作为改进AlexNet卷积神经网络的输入；

步骤(3)、基于深度条件对抗域适应网络进行训练，获得滚动轴承多状态分类模型

先构建领域共享的改进AlexNet深度特征提取网络，

通过该网络对源域与目标域数据集进行深层特征提取，得到无标签目标域特征的伪标签；然后利用改进的条件对抗机制中的随机线性组合优化特征与标签的联合分布；通过条件对抗机制中的域判别器完成特征与标签的同时自适应，降低由滚动轴承型号不同造成的同类状态之间的差异；训练多状态分类模型过程中，使用NAG优化算法加快梯度收敛；

步骤(4)、多状态识别

根据域判别器的损失函数不断更新参数，经过多次迭代寻优来建立滚动轴承多状态分类模型，通过滚动轴承多状态分类模型生成目标域最终预测标签，与真实标签对比，得到模型多状态分类的准确率。

进一步地，所述改进AlexNet深度特征提取网络是指利用改进AlexNet卷积神经网络进行深度特征提取，改进AlexNet卷积神经网络具体为：

为降低源域数据与目标域数据分布差异，对AlexNet卷积神经网络卷积层的卷积核的大小进行改进，使其能更好地挖掘源域与目标域数据之间的关系；

改进的AlexNet卷积神经网络结构由输入至输出依次包括卷积层一、池化层一、卷积层二、池化层二、卷积层三、卷积层四、卷积层五、池化层五、全连接层六、全连接层七、全连接层八，

卷积层一的参数为：卷积核为22*22，步长为4，输出特征尺寸(特征维度)为96，

池化层一的参数为：卷积核为3*3，步长为2，输出特征尺寸(特征维度)为96；

卷积层二的参数为：卷积核为5*5，步长为1，输出特征尺寸(特征维度)为256，

池化层二的参数为：卷积核为3*3，步长为2，输出特征尺寸(特征维度)为256；

卷积层三参数为：卷积核为3*3，步长为1，输出特征尺寸(特征维度)为384；

卷积层四参数为：卷积核为3*3，步长为1，输出特征尺寸(特征维度)为384；

卷积层五参数为：卷积核为3*3，步长为1，输出特征尺寸(特征维度)为256，

池化层五参数为：卷积核为3*3，步长为2，输出特征尺寸(特征维度)为256；

全连接层六参数为：卷积核为5*5，步长为1，输出特征尺寸(特征维度)为4096；

全连接层七参数为：卷积核为1*1，步长为1，输出特征尺寸(特征维度)为4096；

全连接层八参数为：卷积核为5*5，步长为1。

进一步地，所述改进的AlexNet卷积神经网络的传播方式如下：

(1)前向传播

训练样本数据时需经过5个卷积层(conv1～conv5)以及三个全连接层(Fc6～Fc8)，训练过程：

∑C_i(l)＝∑conv2(A_m,K_i(l))+b_i(l),l＝1,2,3,4,5 (2)

u_i(l)＝S_i(l) (5)

其中A_m为输入矩阵，m代表维度，conv2(A_m,K_i(l))是指矩阵A_m与卷积核K_i(l)进行卷积运算，b_i(l)是偏置，f为激活函数，C_i(l)为结果，down(*)是池化操作；

最后一个卷积层与第一个全连接层相连时，第一个全连接层把最后一个卷积层的输出矩阵特征映射成4096×1的行向量；AlexNet网络全连接层的特点是将特征映射到样本标记空间，从而避免因空间位置对特征影响而产生错误分类，全连接层训练过程：

其中ω_i(l)和b_i(l)分别是第l全连接层的第i个权重值以及偏置值，u_i ^l-1是第l-1全连接层的第i个输出值，总计m个；

前向传播进行到最后一层全连接层时，激活函数：

前向传播的主要目的就是通过调节权重以及偏置值使得损失函数值达到最小，损失函数使用的是交叉熵损失函数，表示权重与偏置的联合分布，此函数可有效地降低梯度消散，具体表达式：

其中y_i代表样本真实值，

代表预测值；

(2)反向传播

反向传播主要目的是持续更新权值，比如卷积层和全连接层的权重以及偏置，以此来找到全局最小的损失函数J(ω,b)值，网络模型采用随机梯度下降的优化算法对模型参数进行迭代寻优，优化算法表达式：

其中，β代表学习率，

代表在ω_i处的梯度；U_i和V_i的值根据U_i-1与V_i-1状态进行更新，且不断靠近全局最小的损失函数值，避免了在收敛点处产生较大波动；卷积层的梯度下降与全连接层是不同的，梯度下降表达式：

a^(l-1)＝f′(z^(l-1)) (11)

z^(l-1)＝ω^(l-1)x+b^(l-1) (12)

其中δ^(l-1)为第l-1层的误差，z^(l-1)为第l-1层的输出，rot180是指卷积核上下及左右翻转。

进一步地，改进的条件对抗机制是为：

使用随机线性组合优化特征与标签联合分布，条件域判别器D的使用条件策略定义为：

T(h)＝T⊙(f,g) (22)

其中⊙代表同或运算；h表示f和g的联合分布，T表示使用策略。

进一步地，所述改进的条件对抗机制中的熵准则的表达式：

其中C是类的数量，H是熵操作，g_c表示预测第c类的概率；通过熵感知权重重新加权条件域判别器的每个训练样本，对样本数据区分优先级，熵感知权重定义为：

ω(H(g))＝1-e^-H(g) (24)

在网络中使用熵操作的主要目的是应对那些对迁移具有负面影响的样本数据，并有效区分样本数据迁移的优先级。

进一步地，所述NAG优化算法是一种凸优化算法，使用该算法后深度条件对抗域适应网络模型的参数更新过程：

其中η为学习率，γ为衰减率，θ为位置；v_t表示梯度下降的速度；

深度条件对抗域适应网络的整体网络优化目标：

其中T代表域判别器的使用策略，代表特征与类别的线性映射；G代表源分类器；L代表联合分布；右上角的s表示源域，右上角的t表示源域，x_i表示样本，λ表示网络参数，n_s表示源域样本个数，n_t表示目标样本个数。

本发明具有以下有益技术效果：

本发明提出一种变负载下不同型号滚动轴承故障诊断方法基于滚动轴承的振动信号构建二维图像数据集，并利用提出的领域共享的改进AlexNet深度卷积网络提取深层特征。同时，采用提出的改进条件对抗机制对源域和目标域数据的特征及标签同时自适应处理。最后，利用涅斯捷罗夫加速梯度下降优化(Nesterov accelerated gradient，NAG)算法加快梯度收敛、建立诊断模型，实现变负载下不同型号滚动轴承的不同损伤位置及程度状态识别。

滚动轴承多数时间处于正常运行状态，且其工作负载不同、损伤位置以及程度不同，因此，带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断。针对该问题，提出一种变负载下不同型号滚动轴承深层特征迁移的故障诊断方法。该方法首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络，并引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合，提取深层特征，实现源域和目标域特征及标签的同时自适应，达到迁移的目的；最后，在训练过程中采用涅斯捷罗夫加速梯度下降优化算法加快梯度收敛，建立变负载下不同型号滚动轴承的故障诊断模型。经实验验证，所提方法可实现变负载下不同型号滚动轴承多状态的精细分类，并获得较高的准确率。

附图说明

图1为改进的AlexNet网络结构示意图(Stride:步长)，图2为改进的条件对抗结构图，其中R代表随机线性组合，虚线代表熵操作，f代表特征，g代表类别，D代表域鉴别器，y代表输出；图3为故障诊断流程框图，图4为实验台示意图，图5为改进前损失函数及准确率与迭代次数关系图，图6为改进后损失函数及准确率与迭代次数关系图，图7为不使用NAG优化算法结果图，图8为使用NAG优化算法结果图，图9为源域特征散点图，图10为目标域特征散点图，图11为本发明所述方法与其他方法的对比结果图。

具体实施方式

下面结合附图1至11对本发明的实现进行如下阐述：

1 AlexNet网络及改进

AlexNet深度卷积网络可提取数据的深层特征，因其具有池化层以及局部感受野，故其具有较好的鲁棒性、泛化性及局部特征有效性的特点^[28]。

1.1 AlexNet网络

AlexNet是以BP网络和LeNet5网络为基础进一步发展的深度卷积网络，主要由输入层、卷积层、池化层、全连接层以及输出层五部分组成。

(1)输入层：数据的输入。

(2)卷积层：卷积层每个卷积核以固定核大小、固定步长与该卷积层局部感受野中的数据进行卷积，并产生相应特征。其最重要的特点是权值共享与局部感受野，可防止发生过拟合现象。卷积层采用局部响应归一化以及非线性激活函数(ReLU)加强泛化能力，并防止梯度弥散。卷积公式：

其中I为输入，K为卷积核，m、n为维度。

(3)池化层：进行下采样，对特征进行稀疏处理，减少运算量。常用的池化方法为最大池化，其可以解决平均池化模糊问题。

(4)全连接层：进行特征重新拟合，减少特征信息的丢失。全连接层采用随机稀疏(Dropout)模块与数据增强，可以防止过拟合现象。

(5)输出层：输出结果。

AlexNet网络的每个神经元仅仅影响下一层的一部分神经元并且拥有局部感受野，所以其拥有很强的局部特征提取能力。此外，该网络还具有全连接层参数少、较好的鲁棒性、强泛化性以及局部特征有效性等特点。但当数据复杂、类别多时，不能较细致地刻画出特征细节，使得分类效果不理想。

1.2 AlexNet网络改进

AlexNet卷积神经网络具有很强的非线性拟合能力，可自动提取数据的深层故障特征，但能否更好地提取数据深层特征与卷积神经网络卷积层的卷积核大小息息相关。当源域数据与目标域数据分布差异较大时，为更好地降低两域之间的特征差异，可考虑对AlexNet卷积神经网络卷积层的卷积核的大小进行改进，使其能更好地挖掘源域与目标域数据之间的关系

改进的AlexNet网络结构如图1所示。

改进网络的主要理论推导可以分为两部分：

(1)前向传播

∑C_i(l)＝∑conv2(A_m,K_i(l))+b_i(l),l＝1,2,3,4,5 (2)

u_i(l)＝S_i(l) (5)

其中A_m为输入矩阵，m代表维度，conv2(A_m,K_i(l))是指矩阵A_m与卷积核K_i(l)进行卷积运算，b_i(l)是偏置，f为激活函数，C_i(l)为结果，down(*)是池化操作。

最后一个卷积层与第一个全连接层相连时，第一个全连接层把最后一个卷积层的输出矩阵特征映射成4096×1的行向量。AlexNet网络全连接层的特点是将特征映射到样本标记空间，从而避免因空间位置对特征影响而产生错误分类。全连接层训练过程：

其中ω_i(l)和b_i(l)分别是第l全连接层的第i个权重值以及偏置值，u_i ^l-1是第l-1全连接层的第i个输出值，总计m个。

前向传播进行到最后一层全连接层时，激活函数：

前向传播的主要目的就是通过调节权重以及偏置值使得损失函数值达到最小。损失函数使用的是交叉熵损失函数，表示权重与偏置的联合分布，此函数可有效地降低梯度消散，具体表达式：

其中y_i代表真实值，

代表预测值。

(2)反向传播

反向传播主要目的是持续更新权值，比如卷积层和全连接层的权重以及偏置，以此来找到全局最小的损失函数J(ω,b)值。网络模型采用随机梯度下降的优化算法对模型参数进行迭代寻优，优化算法表达式：

其中，β代表学习率，

代表在ω_i处的梯度。U_i和V_i的值根据U_i-1与V_i-1状态进行更新，且不断靠近全局最小的损失函数值，避免了在收敛点处产生较大波动。卷积层的梯度下降与全连接层是不同的，梯度下降表达式：

a^(l-1)＝f′(z^(l-1)) (11)

z^(l-1)＝ω^(l-1)x+b^(l-1) (12)

2条件对抗机制

条件对抗域自适应是迁移学习的一种，其核心是特征与类别同时做自适应，以达到领域自适应以及故障特征跨领域不变的目的^[29][30]。但所提取的特征维度较大时，效果会受到影响。

2.1 条件对抗域自适应

随着深度网络的层变深，特征与类别的可迁移性降低。同时当特征分布是多模态时，仅进行特征匹配容易丢失类别信息。条件对抗域自适应从两个方面解决上述问题。

(1)条件判别

假设源域数据

中有n_s个带标签的样本，目标域

中有n_t个无标签的样本。假设源域与目标域的概率分布函数分别为P(x^s,y^s)和Q(x^t,y^t)，P≠Q。条件对抗网络旨在通过条件域判别器量化分布差异disc(P,Q)，减少跨域数据分布的差异，从而降低目标域风险ε_t(G)，并被源域风险ε_s(G)所限制。因此，将条件域对抗网络定义为具有两个竞争误差项的极小极大优化问题：

1)最小化源分类器G的风险ε(G)以保证较低的源风险；

2)源分类器G与域鉴别器D的风险联合分布为ε(D,G)。令其在域鉴别器D上最小化，同时在f＝F(x)以及g＝G(x)时最大化^[31]。

极小极大优化表达式：

其中L(.,.)是交叉熵损失函数，f表示特征，g表示类别，(f,g)表示f和g的联合分布。条件对抗网络的极大极小策略：

其中λ是两个目标之间的超参数，用于权衡源域风险。

(2)多线性调节

多线性映射被定义为多个随机向量的外积^[32]。优化联合分布(f,g)的方法有很多，将特征向量直接相连是最直接的方法，但会造成彼此之间相互无关，从而达不到控制“条件”的目的。条件对抗机制采用了多线性映射的方法，网络使用

进行多线性映射，其中

代表张量乘法。条件域判别器D的使用策略T定义为：

其中h表示f和g的联合分布。

2.2 改进的条件对抗机制

在条件对抗机制中，为减小源域与目标域数据的分布差异，采用多线性映射优化特征与标签联合分布，将特征映射到再生希尔伯特空间，令多个随机变量进行乘法交互，便于域判别器进行判别。

深度卷积网络提取特征时，特征维度较高，继续使用多线性映射，容易造成尺寸爆炸。因此使用随机线性组合优化特征与标签联合分布。此时条件域判别器D的使用条件策略定义为：

T(h)＝T⊙(f,g) (22)

其中⊙代表同或运算。

改进的条件对抗结构图如图2所示，其中R代表随机线性组合，虚线代表熵操作。

进行数据迁移时，有的样本数据难以预测或迁移，从而对迁移过程造成影响或者产生负迁移现象。为保证迁移的有效性，采用熵准则量化分类器预测的不确定性^[33]，熵准则表达式：

其中C是类的数量，H是熵操作，g_c表示预测第c类的概率。通过熵感知权重重新加权条件域判别器的每个训练样本，对样本数据区分优先级，熵感知权重定义为：

ω(H(g))＝1-e^-H(g) (24)

在网络训练过程中，为加快梯度收敛速度，采用涅斯捷罗夫加速梯度下降优化算法(NAG)。该算法是一种凸优化算法，能让动量项具有“先见之明”，使当前梯度与其前面一小步位置的“超前梯度”结合，具有很快的收敛速度^[34]。网络模型参数更新过程：

其中η为学习率，γ为衰减率，θ为位置。

整体网络优化目标：

其中T代表域判别器的使用策略，代表特征与类别的线性映射。

3滚动轴承故障诊断方法

基于深度迁移对抗学习(深度迁移就是指深层特征迁移，指深层特征迁移运用对抗学习的方法)的滚动轴承故障诊断过程如图3所示。具体的步骤为：

(1)数据选取

获取已知某种型号的滚动轴承的所有状态(正常状态、内圈不同故障程度、外圈不同故障程度、滚动体不同故障程度)振动信号，将其作为源域数据。将未知具体状态(无标签)的其他型号滚动轴承振动信号作为目标域数据。

(2)数据预处理

对源域与目标域数据作短时傅里叶变换并构建二维图像数据集，作为改进AlexNet卷积神经网络的输入。

(3)深度条件对抗域适应

构建领域共享的改进AlexNet深度特征提取网络，对源域与目标域数据集进行深层特征提取，并得到无标签目标域特征的伪标签。然后利用所改进的条件对抗机制中的随机线性组合优化特征与标签的联合分布。通过域判别器完成特征与标签的同时自适应，降低由型号不同造成的同类状态之间的差异。

(4)多状态识别

训练多状态分类模型过程中，使用NAG优化算法加快梯度收敛。根据域判别器的损失函数不断更新参数，经过多次迭代寻优，建立具有较好效果的滚动轴承多状态分类模型。生成目标域最终预测标签，与真实标签对比，得到模型多状态分类的准确率，以此衡量模型的性能。

4应用与分析

本实验利用状态信息充足的某种型号滚动轴承振动数据识别无标签的其他型号滚动轴承状态，完成变负载下不同型号的滚动轴承故障诊断，并对所提出的方法进行实验验证。

4.1 实验数据集

本发明实验数据集采用美国凯斯西储大学的轴承数据集^[35]。实验台示意图如图4所示，电机驱动端深沟球轴承型号为SKF6205，风扇端深沟球轴承型号为SKF6203，利用16通道的数据记录仪采集滚动轴承振动信号，采样频率包括12kHz和48kHz两种。

实验在0hp、1hp、2hp、3hp共4种不同负载下，对不同型号滚动轴承振动信号进行采集，包括正常状态，内圈、滚动体、外圈故障及不同损伤程度，共计10种状态。为方便表述，滚动轴承内圈损伤直径7mils、14mils和21mils的故障状态分别用IR07、IR14和IR21表示，滚动体的不同故障状态分别用B07、B14和B21表示，内圈的不同故障状态分别用OR07、OR14和OR21表示，正常状态用N表示。

本发明共用3组数据集，如表1所示。数据集A为型号SKF6205的滚动轴承振动数据，10种状态中每种状态320个样本，每种状态又包含4种负载，各80个样本。数据集B为型号SKF6203的滚动轴承振动数据，10种状态中每种状态280个样本，每种状态又包含4种负载，各70个样本。

数据集C为型号6307E的滚动轴承，转速为680rps，采样频率为8192Hz。实验只获取内圈故障、外圈故障及正常状态共3种状态数据。每种状态样本300个，共计900个样本。

表1实验数据集

根据本发明所提出的滚动轴承故障迁移诊断问题，采用B→A，C→A，C→B，A→B，A→C以及B→C等迁移任务来验证所提方法的有效性，其中B→A代表源域数据集B的知识迁移到目标域数据集A(数据集包含不同损伤位置及程度且无标签)。由于数据集C中状态类别少，迁移过程中涉及到C时，需要把A或B的健康状态类别设置成与C相同。

4.2 实验与分析

4.2.1 所提方法各部分改进前后对比实验

本节对条件对抗机制中多线性调节改为随机线性组合前后、改进AlexNet卷积神经网络前后、采用NAG优化算前后进行对比实验。实验中采用caffe作为学习的框架。根据多次实验结果及经验，学习率统一设为0.1，迭代次数为30000，初始权重为0.9，权重衰减项为500。为减小随机初始化待训练参数对所提方法的迁移诊断结果的影响，每次实验重复验证10次。实验迁移任务以B→A为例。

在使用改进AlexNet卷积神经网络及NAG优化算法的前提下，条件对抗机制中采用改进前的多线性调节和改进后的随机线性组合的诊断方法实验结果分别如图5和图6所示。

从图5和图6可以看出，使用改进后的随机线性组合方法，训练损失函数变化不大、测试损失函数波动较小、收敛稳定且准确率高。由此可证明随机线性组合相对于多线性调节更适合解决变负载下不同型号滚动轴承故障诊断问题。

在条件对抗机制中采用改进后的随机线性组合及使用NAG优化算法的前提下，修改AlexNet深度卷积网络的第一层卷积层的卷积核尺寸，根据所用图像尺寸及多次实验可以确定最适合的卷积核尺寸为22。对卷积核尺寸修改前后作比较，实验结果如表2所示。

表2卷积核尺寸修改前后实验结果

由表2可以看出，修改卷积核尺寸后，故障诊断准确率明显提高。其原因是修改深层卷积网络的第一层卷积层的卷积核尺寸可以提高特征维度，使深层特征可表达更多信息。

在使用改进AlexNet卷积神经网络及条件对抗机制中采用改进后的随机线性组合的前提下，网络训练过程中，为加快梯度收敛速度，采用NAG优化算法。使用此算法前后的对比实验结果如图7、图8所示。

从图7和图8可以看出，使用NAG优化算法时，迭代20000次左右时损失函数保持平稳不变；不使用优化算法时，迭代次数为30000次左右时损失函数变稳定。根据减少的迭代次数与不使用优化算法损失函数稳定时迭代次数的比值可算出节约30％左右的训练时间，由此证明使用优化算法可有效地加快收敛速度。

4.2.2 变负载下不同型号轴承故障诊断实验

在进行深度条件对抗域适应实验过程中，使用随机线性组合优化特征与标签的联合分布。将特征与标签一起送入域判别器中实现同时自适应，网络训练过程使用NAG优化算法。实验中学习率、迭代次数等参数与4.2.1节所用相同，重复进行10次实验。数据集使用表1中的A、B、C三种型号的滚动轴承数据集，不同迁移任务的实验结果如表3所示。

表3不同迁移任务的实验结果

单从迁移任务A→B的结果上看，数据集A的知识可以迁移到数据集B上且具有较好的结果，也就是利用型号为6205的滚动轴承故障特征可识别型号为6203的滚动轴承的故障状态。并且实验过程中数据集包含不同的负载，进一步说明变负载下也可获得较高的准确率。从所有迁移任务的结果看，所提方法可有效解决变负载下不同型号滚动轴承故障诊断问题，平均准确率达97％以上。

为更直观地证明所提方法的有效性，以迁移任务B→A为例，采用t-分布邻域嵌入(t-distribution stochastic neighbor embedding,t-SNE)算法^[36]，将深度卷积神经网络的最后一层全连接层的特征降维至二维并以散点图形式表示出来，利用所提方法得到源域及目标域的特征散点图如图9、图10所示。可看出，各状态特征类内间距很小，类间间距较大，除个别样本存在混叠外，其他样本均可较好地区分开。进一步证明所提方法应用于变负载下不同型号滚动轴承故障诊断，可获得较高的分类准确率。

4.2.3 与其他算法对比实验

为进一步证明所提方法在滚动轴承故障诊断问题上拥有较大的优势，选择AlexNet^[10]、JAN^[22]、DAN^[32]、JDA^[23]、GFK^[24]方法进行对比实验研究。实验过程中采用相同的样本数据集及相同的迁移任务。对比结果如图11所示。

从图11可以看出，在6类不同迁移任务的实验中，对变负载下不同型号滚动轴承进行故障状态分类时，所提方法平均准确率可高达97％，且相对于深度学习方法(AlexNet)及其他深度域适应方法准确率提高至少10％左右。因此，本发明所提出的深度条件对抗域适应方法可有效解决变负载下不同型号滚动轴承的故障诊断问题。

5结论

(1)基于AlexNet深度卷积网络卷积层具有权值共享及局部特征不变性的特点，提出将卷积层的卷积核进行修改，构建领域共享的深度卷积网络，提取变负载下不同型号滚动轴承数据的深层特征。从识别准确率和特征可视化两个角度证明，改进后的AlexNet卷积神经网络提取的深层特征可降低不同域数据分布之间的差异。

(2)将条件对抗机制中优化特征与标签联合分布的方法改为随机线性组合，使特征与标签同时自适应，达到迁移的目的。经实验验证，与其他常用方法相比，所提改进的迁移域适应方法可提高变负载下不同型号滚动轴承振动特征的可分性。

(3)提出一种新的深度域适应方法，挖掘变负载下不同型号滚动轴承振动信号的深层特征，减小有标签源域特征和无标签目标域特征之间的分布差异，进而解决带标签数据稀缺甚至无法获取，变负载下不同型号滚动轴承的故障状态精细分类问题。通过实验可知，所提方法相对于其他诊断方法识别准确率提升至少10％，平均识别准确率可高达97％。同时训练过程中采用NAG优化算法加快梯度收敛速度，可节约30％左右的训练时间。

实验中已经对所用数据集中的数据进行充分的实验，还未对更多数据库的数据进行实验，这将是未来的研究重点。

本发明中援引的参考文献明细如下：

[1]赵德尊,李建勇,程卫东,等.基于迭代广义解调算法的变转速滚动轴承复合故障特征的提取[J].振动与冲击,2018,37(04):177-183+190.

ZHAO D Z,LI J Y,CHENG W D,et al.Extraction of composite faultfeatures for variable speed rolling bearing based on iterative generalizeddemodulation algorithm[J].Journal of Vibration and Shock,2018,37(04):177-183+190.

[2]Zenghui An,Shunming Li,Jinrui Wang,Yu Xin,Kun Xu.Generalization ofdeep neural network for bearing fault diagnosis under different workingconditions using multiple kernel method[J].Neurocomputing,2019,352,42-53.

[3]Jinde Zheng,Zhilin Dong,Haiyang Pan,Qing Ni,Tao Liu,JunZhang.Composite multi-scale weighted permutation entropy and extreme learningmachine based intelligent fault diagnosis for rolling bearing[J].Measurement,2019,143,69-80.

[4]Jin X,Fan J,Chow T W,et al.Fault Detection for Rolling-ElementBearings Using Multivariate Statistical Process Control Methods[J].IEEETransactions on Instrumentation and Measurement,2019,68(9):3128-3136.

[5]Qiu G,Gu Y,Cai Q,et al.A deep convolutional neural networks modelfor intelligent fault diagnosis of a gearbox under different operationalconditions[J].Measurement,2019:145,94-107.

[6]Jin X,Que Z,Sun Y,et al.A Data-Driven Approach for Bearing FaultPrognostics[J].IEEETransactions on Industry Applications,2019,55-4,3394-3401.

[7]Hamadache M,Jung J H,Park J,et al.A comprehensive review ofartificial intelligence-based approaches for rolling element bearing PHM:shallow and deep learning[J].JMST Advances,2019,1(1-2):125-151.

[8]Shen,C.Q.,Qi,Y.M.,Wang,J.,et al.:'An automatic and robust featureslearning method for rotating machinery fault diagnosis based on contractiveautoencoder',Engineering Applications of Artificial Intelligence,2018,76,pp.170–184.

[9]He M,He D.Simultaneous bearing fault diagnosis and severitydetection using a LAMSTAR network-based approach[J].Iet Science Measurement&Technology,2018,12(7):893-901.

[10]Wang J,Mo Z,Zhang H,et al.A Deep Learning Method for BearingFault Diagnosis Based on Time-Frequency Image[J].IEEE Access,2019:7,42373-42383.

[11]Xia M,Li T,Liu L,et al.Intelligent fault diagnosis approach withunsupervised feature learning by stacked denoising autoencoder[J].Iet ScienceMeasurement&Technology,2017,11(6):687-695.

[12]Wang Z,Lu C,Zhou B,et al.Fault diagnosis for rotary machinerywith selective ensemble neural networks[J].Mechanical Systems and SignalProcessing,2017,113:112-130.

[13]Shao H,Jiang H,Zhang H,et al.Rolling bearing fault featurelearning using improved convolutional deep belief network with compressedsensing[J].Mechanical Systems and Signal Processing,2018,100:743-765.

[14]Qian W,Li S,Yi P,et al.Anovel transfer learning method for robustfault diagnosis of rotating machines under variable working conditions[J].Measurement,2019,138:514-525.

[15]Zhang A,Gao X.Supervised dictionary-based transfer subspacelearning and applications for fault diagnosis of sucker rod pumping systems[J].Neurocomputing,2019,338:293-306.

[16]陈超,沈飞,严如强.改进LSSVM迁移学习方法的轴承故障诊断[J].仪器仪表学报,2017,38(1):33-40.

CHEN Chao,SHEN Fei,YAN Ruqiang.Enhanced least squares supportvectormachine-based transfer learning strategy for bearing fault diagnosis[J].Chinese Journal of Scientific Instrument,2017,38(1):33-40.

[17]Himawan I,Villavicencio F,Sridharan S,et al.Deep DomainAdaptation for Anti-spoofing in Speaker Verification Systems[J].ComputerSpeech&Language,2019,58,377-402.

[18]Tan M,Yu J,Zhang H,et al.Image recognition by predicted userclick feature with multidomain multitask transfer deep network[J].IEEETransactions on Image Processing,2019,28(12):6047-6062.

[19]Lan Z,Sourina O,Wang L,et al.Domain Adaptation Techniques forEEG-Based Emotion Recognition:A Comparative Study on Two Public Datasets[J].IEEE Transactions on Cognitive and Developmental Systems,2019,11(1):85-94.

[20]Zhong S,Fu S,Lin L,et al.A novel gas turbine fault diagnosismethod based on transfer learning with CNN[J].Measurement,2019，137:435-453.

[21]Hasan J,Islam M M,Kim J,et al.Acoustic spectral imaging andtransfer learning for reliable bearing fault diagnosis under variable speedconditions[J].Measurement,2019，138:620-631.

[22]Long M,Zhu H,Wang J,et al.Deep transfer learning with jointadaptation networks[C].international conference on machine learning,2017:2208-2217.

[23]Long M,Wang J,Ding G,et al.Transfer Feature Learning with JointDistribution Adaptation[C].international conference on computer vision,2013:2200-2207.

[24]Gong,B.Q.,Shi,Y.,Sha,F.,et al.:'Geodesic flow kernel forunsupervised domain adaptation',IEEE Conference on Computer Vision andPattern Recognition,Providence,America,June2012,pp.2066–2073.

[25]An Z,Li S,Wang J,et al.Generalization of deep neural network forbearing fault diagnosis under different working conditions using multiplekernel method[J].Neurocomputing,2019，352:42-53.

[26]Liu,H.N.,Song,F.Z.,Dou,R.J.,et al.:'Domain adaptive faultdiagnosis based on the geodesic flow kernel under small data condition',Journal of Vibration and Shock,2018,37,(18),pp.36–42.

[27]Tong,Z.,Li,W.,Zhang,B.,et al.:'Bearing fault diagnosis based ondomain adaptation using transferable features under different workingconditions',Shock and Vibration,2018,2018,pp.1–12.

[28]Siyuan Lu,Zhihai Lu,Yu-Dong Zhang.Pathological brain detectionbased on AlexNet and transfer learning[J].Journal of Computational Science,2019,30:41-47.

[29]Long M,Cao Z,Wang J,et al.Conditional Adversarial DomainAdaptation[C].neural information processing systems,2018:1640-1650.

[30]Wang J,Li X,Du J,et al.Label Space Embedding of ManifoldAlignment for Domain Adaption[J].Neural Processing Letters,2019,49(1):375-391.

[31]Isola P,Zhu J,Zhou T,et al.Image-to-Image Translation withConditional Adversarial Networks[C].computer vision and pattern recognition,2017:5967-5976.

[32]Long M,Zhu H,Wang J,et al.Deep transfer learning with jointadaptation networks[C].international conference on machine learning,2017:2208-2217.

[33]Miyato T,Maeda S,Ishii S,et al.Virtual Adversarial Training:ARegularization Method for Supervised and Semi-Supervised Learning[C].IEEETransactions on Pattern Analysis and Machine Intelligence,2018:1-1.

[34]Botev A,Lever G,Barber D,et al.Nesterov's accelerated gradientand momentum as approximations to regularised update descent[C].internationaljoint conference on neural network,2017:1899-1903.

[35]Loparo,K.A.:‘Bearing data center’,http://csegroups.case.edu/bearingdatacenter/home,Case Western Reserve University,accessed 2013.

[36]Maaten,L.V.D.,Hinton,G.E.:'Visualizing data using t-SNE',Journalof Machine Learning Research,2008,9,pp.2579–2605.