摘 要

针对基于迁移学习的故障诊断方法无法充分利用目标域数据，并且要求运行条件平稳，提出了一种基于融合知识迁移网络的变工况轴承故障模式识别方法。

将输入瞬时转速作为工况信息输入到稀疏自动编码器中，从而充分利用目标域信息，使操作信息不必只利用局部振动数据集，而可以将整个操作信息纳入模型进行训练，并且通过模型训练大大降低了学习过程中负迁移的风险。

然后利用深度卷积神经网络从原始振动中提取特征，通过两种知识迁移模型的结合，建立了融合知识迁移模型。

最后，在滚动轴承实验测试台上的实验结果验证了该方法能够在变工况条件下实现有效的故障识别。

1 引言

滚动轴承的故障模式识别成为一个亟待解决的问题，尤其是在轴承故障初期和运行工况不稳定的情况下。

针对故障诊断，大量的深度学习方法，尤其是模式识别和分类算法，被应用于学习原始输入数据的隐藏表示，然后利用训练得到的模型实现智能诊断。然而，上述方法依赖于训练和测试数据集之间的相同分布的前提条件，对于变工况条件下的故障诊断泛化能力较差。

因此，为了减少源域和目标域之间的跨域差异，模型的迁移学习能力是成功的关键。

现有方法存在如下问题：

• (1)目标域中需要部分未标记的数据集来协助训练过程。
• (2)迁移学习模型基本上适用于转速相当恒定的相对稳定的操作条件,对于变工况条件是否适用还有待验证。

为了解决上述问题，提出了一种基于融合知识迁移网络 (fusion knowledge transfer network,FKTN)的变工况轴承故障模式识别方法，用输入的瞬时转速(instantaneous rotating speeds,IRS)信息作为目标域中产生的关键信息进行训练，使得模型具有适应运行条件波动的能力。最后通过实验验证了方法的有效性。

2 相关理论

2.1 稀疏自动编码器

2.2 卷积神经网络

3 融合知识迁移网络

3.1 数据分析

3.2 FKTN轴承故障模式识别

在波动的工作条件下，通过单个加速度传感器捕获轴承的健康信息并不容易。由于测得的振动既包括轴承健康状况 的振动，也包括机器运行状况引起的振动。

通过将 IRS 引入进诊断模型可以帮助区分健康状态和操作条件之间的振动。为了说明训练过程，此处使用了在两种不同操作条件下的两组振动。用于轴承故障模式识别的 FKTN 流程图如图 2 所示：

4 实验分析

4.1 实验设置

为了验证所提出的 FKTN 的有效性，设计了一种滚动轴承实验测试台，用于在波动的运行条件下识别故障模式，如图 3 所示。

该测试台主要由电动机控制器，驱动电动机，转速表，轴承箱，磁盘，加速度计和其他元素组成。双加速器水平和垂直安装在了受监控的滚动轴承上。滚动轴承的三种局部损坏如图 4 所示，这些局部缺陷分别是球形故障(BF)，内圈故障(IF)和外圈故障(OF)。

4.2 数据描述

滚动轴承通常在复杂且随时间变化的条件下运行，这主要是由于可变的负载和速度导致了不可预测的环境输入激励和动态传递扭矩。这种情况使来自滚动轴承的振动信号趋于波动。为了在波动的运行条件下正确识别滚动轴承的故障模式，在两个不同的输入瞬时旋转速度下测量两个振动数据域，从而形成了跨域知识迁移学习问题。

当输入驱动速度为图 5中的(a)和(b)时，分别测量数据集 IRS 1 和 IRS 2。通过转速计测量 IRS，并通过加速度计收集振动。在源域(IRS 1)和目标域(IRS 2)下，分别考虑了四种健康状态，包括健康状态模式和三个故障状态模式。在每个状态模式下，以 25600 Hz 的采样频率收集了 5400 s 的加速度振动信号。

图 6 中展示了一个 16 s 的信号。通过从转速计信号中计算得出 IRS，然后将这些信号切成长度为 2048 点的重叠片段，并作为 FKTN，振动和 IRS数据集被随机分为训练和测试数据。

4.3 故障模式识别与比较分析

4.3.1 FKTN 模型的训练过程

4.3.2 基于 t-SNE 分析的故障特征表示

为了证明所提出的方法 FKTN 的传递结果和传递性能， 当前的有效方法包括多层自适应卷积神经网络(multi-layer adaptation convolutional neural network,MACNN) ，深域混淆 (deep domain confusion,DDC) 以 及 深度卷积网络 (DCNN)。

首先，为了在不同的操作条件下以不同的方法来可视化 和解释捕获的潜在特征，使用了 t-SNE 进行比较。数据的局部结构，也揭示了重要的全局结构。另外，处理线性性质的数据不受其他方法的限制。多维特征表示被转换为二维和三维坐标图，图 7 描绘了在跨域下通过 t-SNE 对上述模型进行2D 可视化的过程。分别参见图 7 和图 8。

4.3.3 评估故障特征分类结果

在不同的操作条件下，FKTN，MACNN，DDC 和 DCNN 的分类结果如图4所示。图9和10表示不同模型的精度曲线， 对于 MACNN 和 DDC 模型，在源域(IRS 1)下测试准确率接近95％，而在跨域学习场景下测试准确率下降到 80％。对于DCNN 模型，测试精度不稳定，波动较大，平均测试精度分别降至 0.7801 和 0.710 的最低值。与上述方法相比，对于 IRS 1→IRS 1 和 IRS 1→IRS 2 而言，提出的 FKTN 模型均实现了可靠的诊断性能，测试准确率几乎达到了 100％。FKTN 不仅在 IRS 1 训练下以小范围的波动速度提供较好的分类结果，而且以近 100％的测试准确度在目标域中执行诊断任务。

原因主要是由于 SAE 从运行状况进行深度挖掘增强了诊断性能，并且通过学习判别结构并结合源域中波动的 IRS 信息，使 FKTN 可以在其他操作条件下发现更一般的故障模式，因此可以对域迁移问题进行有效的分类。

4.4 定量评估分类效果

此外，为了研究分类器在不同状态模式下的轴承故障模 式识别行为，本文采用归一化混淆矩阵对上述分类模型进行了分析。相应的结果显示在图 11 和图 12 中。水平轴是与实际状态模式相对应的标签，垂直轴是预测的标签。

4.5 通过 F1 评分指标进行综合评估

图13显示了IRS1和IRS2操作条件的FKTN的F1分数：

两个模型在 IRS 2操作条件下的 F1得分显示范围更广且不稳定， 表明这两个模型对不同状态模式较为敏感。

对于这四个健康状况，球形故障和外圈故障的 F1 得分最低，而内圈故障和完 好状态的 F1 得分最高。说明内圈故障和完好状态模式易于区 分，球形故障和外圈故障的模式易于分类，这可能是由于内 圈故障和完好状态产生的加速度信号突出特征明显且易于识别，类似的观察结果也可以在图 11(b)和(c)中得到验证。

通过 以上比较，FKTN 被证明是一种处理跨域学习问题的有效方法， 并且在波动的工作条件下能够有效实现轴承故障模式识别。DCNN 模型中的 F1 值下降到最低值，这也表明在波动的工作 条件下，DCNN 模型的知识传递能力无法用于轴承故障模式识别。

5 结论

针对基于迁移学习的故障诊断方法无法充分利用目标域数据，并且要求运行条件平稳，提出了一种基于融合知识迁移网络的变工况轴承故障模式识别方法。

通过在滚动轴承实验测试台上的实验结果证明：

• (1)通过融合以进行模型训练，可以大大降低负面迁移的 风险，实现了真正的端到端学习方式。
• (2)FKTN 模型可以从源域中挖掘有效的通用诊断知识， 并将所获知识进一步推广到新的目标域。
• (3)相比于其他方法，FKTN 模型在波动的工作条件下具 有更好的轴承故障模式识别效果，并且对不同的故障模式具 有良好的鲁棒性。