CN114118138A - 一种基于多标签领域自适应模型的轴承复合故障诊断方法 - Google Patents

Abstract

本发明提供了一种针对变工况条件下未知目标域中轴承复合故障的诊断方法，包括：基于多层领域自适应方法构建由深度残差网络组成的故障特征提取器；输入预处理后的轴承振动信号，对源域及目标域数据经过多个残差块提取到的特征都进行分布差异匹配，得到可迁移的特征；通过多标签学习将复合故障表示为单一故障的组合；运用二元关联策略为各类单一故障分别训练对应的二分类器，从复合故障中分离出各单一故障特征并分别进行诊断。本发明解决了传统诊断方案依赖专家知识且难以对复合故障进行有效解耦并识别的问题，实现了变工况下对轴承复合故障的精确诊断，同时摆脱了现有方法对标记数据的依赖，能够对相关但不可见的目标域进行准确诊断。

Description

一种基于多标签领域自适应模型的轴承复合故障诊断方法

技术领域

本发明涉及机械故障诊断、人工智能及信号处理等领域，特别涉及一种基于多标签领域自适应模型的机械复合故障诊断方法。

背景技术

在滚动轴承故障诊断领域，深度学习算法能够智能地从振动信号中挖掘到与轴承故障相关的本质特征，因而取得了不错的诊断效果。但目前大多数的研究都针对于轴承单一类别故障，实际情况下轴承的故障也常以多种单一故障组合而成的复合故障形式出现。复合故障通常发生在旋转机械轴承的多个关键部位同时出现损坏时，也是造成旋转机械灾难性事故的主要原因。相较于单一故障，复合故障对设备的危害性更大，也更难进行诊断。因此，轴承复合故障诊断的研究具有重要意义和巨大挑战。

目前主要存在以下几个制约轴承复合故障诊断技术发展的问题：1)复合故障的轴承信号通常包含多个特征信号和强混淆噪声，往往是非线性复合且相互干扰，难以在理论上对其进行精确解耦，因此很容易导致诊断过程中的错误识别。2)复合故障信号没有明显的周期性，幅值变化也较大，故障特征频率处的峰值不明显，在噪声的影响下周期分量几乎被完全掩盖。传统的时域频域信号处理方法很难提取到复合故障的特征，因而在复合故障诊断问题上难以奏效。3)现有方法往往将复合故障视为一种全新的故障模式，而忽略了其与单一故障间的潜在关系，复合故障实际上是单一故障的组合，这类方法难以精确地将其分类为多个单一故障。4)在面向实际工程应用时，由于待诊断的目标数据集与训练数据集分布不同，模型的效果往往会大幅衰退。现有基于深度学习的诊断方法往往依赖于大量有标记的数据，但收集目标领域各类复合故障的带标记数据费时费力甚至是不切实际的。这是制约数据驱动的复合故障诊断的最大工程难题。

为解决复合故障特征难以提取与识别的问题，本发明引入了多标签学习(Multi-label Learning，ML)方法来对复合故障进行表达及分类，既摆脱了传统信号处理方法对专业技术及故障诊断经验知识的依赖，又解决了现有深度学习方法忽略复合故障与单一故障间联系，缺乏严谨性与可靠性的问题。为解决复合故障诊断对标记数据的依赖问题，本文尝试使用迁移学习中的域适应(Domain Adaptation，DA)方法来在不同但相关的领域间共享知识，从而实现对无标签的目标数据的准确诊断。

发明内容

要解决的技术问题：本发明的目的是提出一种基于多标签领域自适应模型的轴承复合故障诊断方法，该方法无需复杂的信号解耦技术及专家先验知识，能够自动从复合故障信号中提取出其包含的各类单一故障特征并进行分类。并且能够适应工作条件改变引起的数据分布差异，在面对相关但不可见的目标域时依然保持精确的诊断效果。

技术方案：一种基于多标签领域自适应模型的轴承复合故障诊断方法，包括以下步骤：

步骤1：采集不同工作条件下的旋转机械轴承振动信号并进行预处理，经过快速傅里叶变换(FastFourierTransform，FFT)后转化为频域信号；

步骤2：将带标签的故障样本作为用于训练模型的源域数据(Ds)，不同工况下无标记的样本则作为待检测的目标域数据(Dt)，以此来验证所提方法在诊断无标记的目标数据时的有效性；

步骤3：针对轴承故障诊断问题的特点，构建含有多个残差块结构的故障特征提取器；

步骤4：使用Ds数据对网络进行预训练，保存预训练模型的网络参数对后续训练模型进行初始化，并设置学习率ξ及超参数λ；

步骤5：将Ds及Dt样本输入经过预训练的故障特征提取器，通过逐层卷积并度量分布差异提取到可迁移的特征；

步骤6：基于多核最大均值差异(MultipleKernel-MaximumMeanDiscrepancy，MK-MMD)联合多个核函数的子空间映射对故障特征进行更准确的表达，并采用多层领域自适应策略对Ds及Dt中提取到的多层故障特征进行分布差异匹配；

步骤7：运用多标签学习中的二元关联(BinaryRelevance)策略构建多标签分类器，对复合故障数据进行多标签转化：(x,y)→{(x,y_j)|j＝1,...,C}，其中C表示单一故障类别数；

步骤8：将多标签分类任务转化为多个二分类问题，从复合故障中分离出各单一故障特征，为各类单一故障分别训练对应的二分类器:h＝(h₁,...,h_C):χ→{0,1}^C，输入经过特征提取器提取的可迁移特征得到分类结果；

步骤9：输出关联后的多标签:

并基于二分类交叉熵计算分类损失；

步骤10：结合分类损失与计算多层MK-MMD得到的分布匹配损失得到总损失函数，并对其进行反向传播更新权值，并采用Adam算法加快模型收敛并更新模型参数；

步骤11：模型训练结束后，使用带标签的Dt的测试集样本评估模型的诊断效果。

进一步的，步骤4中所述的超参数λ为调整分布匹配损失权重的权衡系数。

进一步的，步骤5中所述的故障特征提取器，设有1个用于输入的卷积层、1个ReLu激活层以及4个残差单元，为了适应输入的轴承故障信号图的尺寸，将网络中卷积层的内核尺寸设置为3×3。

进一步的，步骤5中所述卷积操作为通过输入层的卷积计算抽取输入的Ds和Dt频域图中的故障特征，并输出64维特征向量；将经过输入层计算并激活的特征向量输入故障特征提取器的残差块中，用F表示学习到的残差函数，则残差块中第l层到更深的第L层特征的计算过程如下：

进一步的，步骤6中所述MK-MMD通过计算不同分布的数据在再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)中的距离来度量对应分布间的差异。RKHS是由核函数k构成的空间，对于每一个RKHS都有唯一与之对应的k，而核函数直接影响了RKHS的特征映射能力；单一核函数的表达能力是有限的，而MK-MMD方法则很好的解决了这一问题；

MK-MMD中的核函数k是正定函数{k_u}的线性组合，由多个核函数的加权和表示：

令H_k为定义在X上的函数f:X→R的RKHS，φ:X→H_k为将X映射到空间H_k上的特征映射，则Ds边缘分布P(X_S)与Dt边缘分布P(X_T)之间的MK-MMD距离如下

进一步的，步骤6中所述采取多层领域自适应策略为分别保存Ds和Dt经过特征提取器中每一个残差块后输出的特征图；对Ds和Dt在多层提取到的特征计算MK-MMD得到的分布匹配部分的损失函数如下所示：

其中N^l代表计算MK-MMD的层数，

与

分别为第l层中提取到的Ds和Dt的特征向量，

与

分别表示Ds和Dt中的样本数，K代表高斯核的个数。

进一步的，步骤7中所述的多标签转化，具体如下：

(x,y)→{(x,y_j)|j＝1,...,C}→{(x,[y¹,y²,...,y^C])} (5)

其中C表示单一故障类别数，对于滚动轴承中常见内圈故障(Inner Race Fault，IF)、外圈故障(Outer Race Fault，OF)和滚动体故障(Ball Fault，BF)三种单一故障组合而成的复合故障，C取3；第i个故障的标签可表示为一个三维行向量

y^j＝0表示样本不属于该类别，y^j＝1表示样本属于该类别；每种故障类别对应行向量的一个位置，由IF及BF组合而成的复合故障可被表示为[101]。

进一步的，步骤8中所述的任务转化具体实现方式如下：在多标签分类器的输出层设有三个神经元，分别与三种单一故障相对应；设每个神经元的输出为s_i,通过Sigmoid函数将其转化为是否存在这种单一故障的概率P_i。具体表达式如下：

当输出的概率大于0.5时判定为存在该类别的单一故障，关联各个单一故障的预测标签得到预测的复合故障标签。

进一步的，步骤9中所述二分类交叉熵(Binary Cross Entropy)分类损失表达式如下：

式中，n代表样本数量，y代表真实标签，

代表预测的标签值。

进一步的，步骤10中所述的总损失函数表达式如下：

式中N^l代表计算MK-MMD的层数，K代表高斯核的个数，λ为权衡系数，φ:X→H_k为将X映射到空间H_k上的特征映射，C表示单一故障类别的数量,h_j(·)为从样本输入空间到第j种单一故障标签空间的映射。

有益效果：

(1)传统基于时域频域的信号处理方法很难提取到复合故障的特征，复合故障的轴承信号通常包含多个特征信号和强混淆噪声，往往是非线性复合且相互干扰，难以在理论上对其进行精确解耦，因而传统信号处理方法在复合故障诊断问题上难以奏效，本发明能够以数据驱动自动提取复合故障特征，并学习到输入信号到故障类别的映射，显著提高了诊断精度。

(2)传统方案需要每一类复合故障特征的专家知识作为支撑，且只有在信号源满足一系列统计学假设时才能有效分离出独立信号源，且传统方法需要进行人工特征提取，依赖于专业知识及复杂的调参过程，时间及人力成本高，本发明引入了多标签学习方法来对复合故障进行表达及分类，摆脱了传统信号处理方法对专业技术及故障诊断经验知识的依赖。

(3)现有方法构建的模型往往只针对于具体的问题及条件有效，很难适应工况的变化，建模所需的时间及难度随着装备的复杂性与功能性的增长而增长，本发明能够适应变化的工作条件，具有更好的鲁棒性。

(4)现有基于深度学习的复合故障诊断方法往往将复合故障视为一种全新的故障模式，而忽略了其与单一故障间的潜在关系，复合故障实际上是单一故障的组合，这类方法难以精确地将其分类为多个单一故障，是一种无视复合故障特征本质的“伪”复合故障诊断，本发明构建了复合故障与单一故障的联系，从复合故障信号中提取出其包含的各类单一故障特征并进行分类，提高了对复合故障的诊断精度。

(5)现有基于深度学习的诊断方法往往依赖于大量有标记的数据，但收集目标领域各类复合故障的带标记数据费时费力甚至是不切实际的，在面向实际工程应用时，由于待诊断的目标数据集与训练数据集分布不同，模型的效果往往会大幅衰退。本发明能够在不同工作条件下对轴承复合故障的精确诊断，同时实现了对无标签的目标域数据的诊断，大幅提升了模型的实用性。

附图说明

图1为本发明基于多标签多层领域自适应方法的复合故障诊断框架图；

图2为单一故障信号与复合故障信号对比具体实施方式；

图3为基于图1所示的复合故障诊断模型后使用实验台采集的数据对模型效果进行评估的诊断精度图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本发明针对轴承复合故障诊断问题，基于迁移学习及多标签学习，提出了一种具有学习跨域可迁移特征能力的故障诊断框架，具体结构如图1所示。

基于多标签领域自适应模型的轴承复合故障诊断方法，包括以下步骤：

步骤1：采集不同工作条件下的旋转机械轴承振动信号并进行预处理，经过快速傅里叶变换(Fast Fourier Transform，FFT)后转化为频域信号；

步骤2：将预处理后的频域图像根据不同工作条件分别设置为源域(Ds)及目标域(Dt)，其中，目标数据的标签在训练过程中不可见，仅在测试过程中用于评估模型效果，以此来验证所提方法在诊断无标记的目标数据时的有效性；

步骤3：针对轴承故障诊断问题的特点，构建含有多个残差块结构的故障特征提取器；

步骤4：使用Ds数据对网络进行预训练，保存预训练模型的网络参数对后续训练模型进行初始化，并设置学习率ξ及超参数λ，其中，超参数λ为调整分布匹配损失权重的权衡系数；

步骤5：将Ds及Dt样本输入经过预训练的故障特征提取器，通过卷积操作提取可迁移的特征；其中，所述的故障特征提取器，设有1个用于输入的卷积层、1个ReLu激活层以及4个残差单元，为了适应输入的轴承故障信号图的尺寸，将网络中卷积层的内核尺寸设置为3×3；所述卷积操作为通过输入层的卷积计算抽取输入的Ds和Dt频域图中的故障特征，并输出64维特征向量；将经过输入层计算并激活的特征向量输入故障特征提取器的残差块中，用F表示学习到的残差函数，则残差块中第l层到更深的第L层特征的计算过程如下：

步骤6：基于MK-MMD(Multiple Kernel-Maximum Mean Discrepancy)联合多个核函数的子空间映射对故障特征进行更准确的表达，并采用多层领域自适应策略对Ds及Dt中提取到的多层故障特征进行分布差异匹配；步骤6中所述MK-MMD通过计算不同分布的数据在再生核希尔伯特空间(Reproducing Kernel Hilbert Space，RKHS)中的距离来度量对应分布间的差异。RKHS是由核函数k构成的空间，对于每一个RKHS都有唯一与之对应的k，而核函数直接影响了RKHS的特征映射能力；单一核函数的表达能力是有限的，而MK-MMD方法则很好的解决了这一问题；

MK-MMD中的核函数k是正定函数{k_u}的线性组合，由多个核函数的加权和表示：

令H_k为定义在X上的函数f:X→R的RKHS，φ:X→H_k为将X映射到空间H_k上的特征映射，则Ds边缘分布P(X_S)与Dt边缘分布P(X_T)之间的MK-MMD距离如下

所述采取多层领域自适应策略为分别保存Ds和Dt经过特征提取器中每一个残差块后输出的特征图；对Ds和Dt在多层提取到的特征计算MK-MMD得到的分布匹配部分的损失函数如下所示：

其中N^l代表计算MK-MMD的层数，

与

分别为第l层中提取到的Ds和Dt的特征向量，

与

分别表示Ds和Dt中的样本数，K代表高斯核的个数；

步骤7：运用多标签学习中的二元关联策略构建多标签分类器，对复合故障数据进行多标签转化，所述的多标签转化，具体如下：

(x,y)→{(x,y_j)|j＝1,...,C}→{(x,[y¹,y²,...,y^C])} (5)

其中C表示单一故障类别数，对于滚动轴承中常见内圈故障(Inner Race Fault，IF)、外圈故障(Outer Race Fault，OF)和滚动体故障(Ball Fault，BF)三种单一故障组合而成的复合故障，C取3；第i个故障的标签可表示为一个三维行向量

y^j＝0表示样本不属于该类别，y^j＝1表示样本属于该类别；每种故障类别对应行向量的一个位置，由IF及BF组合而成的复合故障可被表示为[101]；

步骤8：将任务转化为多个二分类问题，每个二分类器分别对一种单一故障标签进行预测，输入经过特征提取器提取的Ds特征并训练多个二分类器:h＝(h₁,...,h_C):χ→{0,1}^C；所述的任务转化具体实现方式如下：在多标签分类器的输出层设有三个神经元，分别与三种单一故障相对应；设每个神经元的输出为s_i,通过Sigmoid函数将其转化为是否存在这种单一故障的概率P_i；具体表达式如下：

当输出的概率大于0.5时判定为存在该类别的单一故障，关联各个单一故障的预测标签得到预测的复合故障标签；

步骤9：输出关联后的多标签:

并基于二分类交叉熵计算分类损失；所述二分类交叉熵(Binary Cross Entropy)分类损失表达式如下：

式中，n代表样本数量，y代表真实标签，

代表预测的标签值；

步骤10：结合分类损失与计算多层MK-MMD得到的分布匹配损失得到总损失函数，并对其进行反向传播更新权值，并采用Adam算法加快模型收敛并更新模型参数；所述的总损失函数表达式如下：

式中N^l代表计算MK-MMD的层数，K代表高斯核的个数，λ为权衡系数，φ:X→H_k为将X映射到空间H_k上的特征映射，C表示单一故障类别的数量,h_j(·)为从样本输入空间到第j种单一故障标签空间的映射；

步骤11：模型训练结束后，使用带标签的Dt的测试集样本评估模型的诊断效果。

实施实例如下：

使用本发明对实验室自制轴承故障实验平台采集的轴承故障数据进行诊断，故障信号如图2所示，实验所用轴承型号为6205深沟球轴承，采样频率为10kHz。

将四种不同电机负载(0kN、1kN、2kN、3kN)下的采集到的轴承振动信号构造为C1、C2、C3、C4四个数据集。每种负载下包括8类不同健康状况的轴承，具体设置如表1所示。分别为一种正常状态(Normal)、三种单一故障(IF、OF、BF)和四种复合故障(IB、IO、OB、IOB)，故障尺寸均为0.2mm。

表1复合故障诊断数据集设置

分别以不同数据集作为源域和目标域，采用本发明中的方法进行多组诊断实验，以减少随机性，实验任务设置详见表2。

表2跨域故障诊断任务设置

基于本发明所述方法并结合具体诊断任务特点构建了如图1所示的复合故障诊断模型，并使用实验台采集的数据对模型效果进行评估，具体实验结果如图3所示。

该模型实现了通过复合故障信号诊断其中各类单一故障存在与否，从实验结果可以看出其平均诊断精度高达99.36％。并且模型对提取到的由低到高的多层特征计算MK-MMD距离，实现了源域和目标域分布差异的精准匹配。最后，经过训练和优化后的模型能够有效提取到可迁移的复合故障特征，在工况改变的情况下，能够对无标记信息的目标域数据进行准确诊断。

本发明涉及到的本发明中涉及到的本领域公知技术未详细阐述。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：包括以下步骤：

步骤1：采集不同工作条件下的旋转机械轴承振动信号并进行预处理，经过快速傅里叶变换后转化为频域信号；

步骤2：将带标签的故障样本作为用于训练模型的源域数据，不同工况下无标记的样本则作为待检测的目标域数据，以此来验证所提方法在诊断无标记的目标数据时的有效性；

步骤3：针对轴承故障诊断问题的特点，构建含有多个残差块结构的故障特征提取器；

步骤4：使用源域数据对网络进行预训练，并设置学习率ξ及超参数λ；

步骤5：将源域及目标域样本输入经过预训练的故障特征提取器，通过逐层卷积并度量分布差异提取到可迁移的特征；

步骤6：基于多核最大均值差异联合多个核函数的子空间映射对故障特征进行精确表达，并采用多层领域自适应策略对从源域及目标域中抽取出的多层故障特征进行分布差异匹配；

步骤7：运用多标签学习中的二元关联策略构建多标签分类器，对复合故障数据进行多标签转化：(x,y)→{(x,y_j)|j＝1,...,C}，其中C表示单一故障类别数；

步骤8：将多标签分类任务转化为多个二分类问题，从复合故障中分离出各单一故障特征，为各类单一故障分别训练对应的二分类器:h＝(h₁,...,h_C):χ→{0,1}^C。输入经过特征提取器提取的可迁移特征得到分类结果；

步骤9：输出关联后的多标签:

并基于二分类交叉熵计算分类损失；

步骤10：结合分类损失与计算多层多核最大均值差异得到的分布匹配损失得到总损失函数，并对其进行反向传播更新权值，并采用Adam算法加快模型收敛并更新模型参数；

步骤11：模型训练结束后，使用目标域的测试集样本评估模型的诊断效果。

2.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤4中所述的超参数λ为调整分布匹配损失权重的权衡系数。

3.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤5中所述的故障特征提取器，设有1个用于输入的卷积层、1个ReLu激活层以及4个残差单元，为了适应输入的轴承故障信号图的尺寸，将网络中卷积层的内核尺寸设置为3×3。

4.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤5中所述卷积操作为通过输入层的卷积计算抽取输入的源域和目标域频域图中的故障特征，并输出64维特征向量；将经过输入层计算并激活的特征向量输入故障特征提取器的残差块中，用F表示学习到的残差函数，则残差块中第l层到更深的第L层特征的计算过程如下：

5.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤6中所述多核最大均值差异通过计算不同分布的数据在再生核希尔伯特空间中的距离来度量对应分布间的差异。再生核希尔伯特空间是由核函数k构成的空间，对于每一个再生核希尔伯特空间都有唯一与之对应的k，而核函数直接影响了再生核希尔伯特空间的特征映射能力；单一核函数的表达能力是有限的，而多核最大均值差异方法则很好的解决了这一问题；

MK-MMD中的核函数k是正定函数{k_u}的线性组合，由多个核函数的加权和表示：

令H_k为定义在X上的函数f:X→R的再生核希尔伯特空间，φ:X→H_k为将X映射到空间H_k上的特征映射，则源域边缘分布P(X_S)与目标域边缘分布P(X_T)之间的多核最大均值差异距离如下：

6.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤6中所述采取多层领域自适应策略为分别保存源域和目标域经过特征提取器中每一个残差块后输出的特征图；对源域和目标域在多层提取到的特征计算多核最大均值差异得到的分布匹配部分的损失函数如下所示：

其中N^l代表计算多核最大均值差异的层数，

与

分别为第l层中提取到的源域和目标域的特征向量，

与

分别表示源域和目标域中的样本数，K代表高斯核的个数。

7.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤7中所述的多标签转化，具体如下：

(x,y)→{(x,y_j)|j＝1,...,C}→{(x,[y¹,y²,...,y^C])}

其中C表示单一故障类别数，对于滚动轴承中常见内圈故障、外圈故障和滚动体故障三种单一故障组合而成的复合故障，C取3；第i个故障的标签可表示为一个三维行向量

y^j＝0表示样本不属于该类别，y^j＝1表示样本属于该类别；每种故障类别对应行向量的一个位置，由内圈故障及滚动体故障组合而成的复合故障可被表示为[101]。

8.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤8中所述的任务转化具体实现方式如下：在多标签分类器的输出层设有三个神经元，分别与三种单一故障相对应；设每个神经元的输出为s_i,通过Sigmoid函数将其转化为是否存在这种单一故障的概率P_i。具体表达式如下：

当输出的概率大于0.5时判定为存在该类别的单一故障，关联各个单一故障的预测标签得到预测的复合故障标签。

9.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤9中所述二分类交叉熵分类损失表达式如下：

式中，n代表样本数量，y代表真实标签，

代表预测的标签值。

10.根据权利要求1所述的一种基于多标签领域自适应模型的轴承复合故障诊断方法，其特征在于：步骤10中所述的总损失函数表达式如下：

式中N^l代表计算多核最大均值差异的层数，K代表高斯核的个数，λ为权衡系数，φ:X→H_k为将X映射到空间H_k上的特征映射，C表示单一故障类别的数量，h_j(·)为从样本输入空间到第j种单一故障标签空间的映射。

Images