摘要
利用深度迁移学习解决变工况滚动轴承故障诊断已成为轴承智能健康管理的关键技术环节。
然而不同工况下轴承故障演化特性差异较大，现有迁移学习模型往往倾向于适应源域的特定特征，导致在目标域的稳定性 下降，甚至出现负迁移现象。
针对这一问题，提出了一种改进的无监督多域对抗迁移学习算法，以实现鲁棒的变工况滚动轴承故障诊断。
算法的核心思路：使用故障演化机理信息监督对抗训练。
具体而言，设置全局域判别器和子域判别器，利用滚动轴承的机理仿真信号代替对目标域数据的标签预测，以保障对抗过程中信息迁移效果的下限，并利用仿真信号重构损失函数，以提取同型号轴承在不同工况下的公共特征表示，进而提升领域对抗的鲁棒性。
为验证所提出方法的有效性，在两个滚动轴承故障数据集上进行了验证，相较于多个最具代表性的无监督跨域故障诊断方法，本文方法的诊断精度和数值稳定性具有显著提升。
0 引言
随着轴承状态监测数据的快速采集和大量累积，深度神经网络凭借其良好的自适应特征提取和端到端建模能力获得广泛应用。根据轴承健康管理，具体设定优化深度学习模型，具有明确的工程应用价值和理论研究潜力。
在设备实际运行场景，轴承的故障状态数据并不容易收集，利用现场数据直接建模会因为故障数据不足而降低诊断精度。可以利用历史积累数据（例如实验室采集的轴承故障数据，设为源域）辅助目标轴承数据（目标域）建立诊断模型，称为迁移故障诊断。
迁移学习领域适配问题主要是解决源域数据和目标域数据之间的分布差异。这一问题的实质是如何缩小源域数据和目标域数据的边缘分布和条件分布差异。
现有做法的问题是源域和目标域分布差异大时难以最小化二者间的差距，因此，需要引入结合轴承损伤机理获得更为精确的监督信息来指导领域适配。
结合轴承损伤机理获得的轴承故障仿真信号包含不同工况下的损伤信息，是理想的监督信息来源。经过多年的研究，国内外研究人员已获得大量轴承损伤机理和解析模型。
传统方法的局限性：
目前已有部分工作采用故障仿真信号辅助迁移诊断，主要将仿真信号作为源域数据参与模型训练，但仿真信号与实验信号的较大差异是难以克服的问题，仿真信号以何种方式参与迁移故障诊断，仍有待研究。在引入仿真数据的情况下，如何有效整合真实数据和仿真数据，缺乏有效的迁移学习机制来处理多个域之间的细粒度对齐问题。由于缺乏明确的监督方法来指导模型学习，传统方法易产生负迁移，从而导致模型在目标域表现不佳。
因此，本文提出一种故障机理辅助的滚动轴承多域对抗迁移故障诊断模型。
1 理论基础
1.1 无监督领域对抗神经网络
领域对抗神经网络（DANN）旨在将领域适应和深度特征学习整合到一个单一的训练过程中。其目的是在表征学习过程中纳入领域适应，从而使最终的分类决策依赖于源域和目标域中不变或分布非常相似的判别特征。
其结构如图1 所示：
DANN 只匹配域之间的数据分布，而不利用多模结构，可能会导致要么迁移不足或负转移。当分布的不同模式不能最大匹配时，可能发生迁移不足。当跨域分布的对应模式错误对齐时，可能发生负迁移。
1.2 故障机理
滚动轴承的滚动体在滚过损伤区域的过程 中，如图 2 所示：
由于滚动体-滚道接触形式的 突变，将诱发滚动体“去应力”(de-stressing)和 “应力恢复”(re-stressing)，表征为振动信号中的 双冲击现象。采用基于时变接触刚度的球轴承 滚道剥落损伤双冲击特征动力学建模来生成振动响应，以构建仿真域数据集。
2 所提方法
2.1 基于故障机理的仿真域构建
结合源域与目标域的定义，定义仿真域有标 签样本集为 1.2 节式 6 获得的故障轴承样本集， 仿真域样本集中包含保留有影响故障信号的主要因素，是对轴承系统的合理简化。
结合实验案例，本文建模的轴承型号为 6205 滚动轴承、6203 滚动轴承，与后续进行故障诊断 的轴承型号相同，其主要尺寸参数见表 1：
以凯斯西储大学轴承数据集驱动端轴承十 分类故障数据为例生成了正常、0.1778mm、0.3556mm、0.5334mm 的内圈故障、外圈故障、 滚动体故障共 10 种故障数据。本文通过建立仿 真数据的方式，体现出轴承本身的特性对故障诊 断的指导作用，含有一定被迁移对象机理知识的 领域称之为仿真域。
2.2 嵌入仿真域的改进损失函数设计
现有的域对抗神经网络存在一个域判别器， 仅对源域和目标域整体分布对齐，未考虑对应类别的对齐。这造成了源域和目标域数据的混淆，同时影响了判别组件，导致错误的分类指导判别 组件，形成错误的对齐。本文通过设计基于机理的子域判别器，实现判别子域信息和捕捉域间差异性，实现多个域判别器、对应不同数据分布的 细粒度对齐，即类别的对齐。
通过建模，可以获得与目标域相同工况的仿 真域样本集，利用基于仿真信号的子域判别器可 以帮助模型获取子域类别信息，进而判别内圈故 障、外圈故障、滚动体故障等不同领域的差异性。
如图 3，网络输入为源域信号和仿真信号，子域判别器输出为对不同子域的分类概率。有助于模型更好地区分不同故障之间的特征和模式，提高故障诊断的准确性和可靠性。
两者通过即子域判别器反映了每种故障的真实数据与仿真域的相似程度，同时全局域判别 器用于反映源域和目标域的相似程度。由于仿真 域数据基于目标域相同工况下生成，在某种程度 上反映了源域和目标域在类别上的相似程度。子域判别器促进了条件分布的对齐，全局域判别器 促进了边缘分布的对齐。
最大均值差异 (MMD)被用来衡量域间差异，其中核函数的选取直接决定了MMD距离的大小，本文选择MK-MMD可以灵活选择核函数， 并且通过最大化核均值差异来学习域间的差异性，在跨域故障诊断中，MK_MMD作为度量方法均取得了优于MMD的诊断效果。
2.3 模型架构及优化方法
图 4 为所提方法的网络模型结构，由特征 提取器，分类器，域判别器三个模块组成：
所提方法具体训练和测试流程如图 5 所示：
上述工作实现了三个目标：
1） 样本预测尽可能准确。 2） 源域到目标域边缘分布对齐。 3） 子判别器匹配对应类别的源域和仿真域数据，实现源域到目标域的条件分布对齐。
3 实验分析
3.1 数据描述
实验 1：
实验1采用德国帕德博恩大学提供的基于振 动和电机电流信号的轴承状态监测（CM）实验数据集。
如图 6 所示:
测试轴承型号为 6203 滚动轴承，振动信号采样频率为 64KHz，包含三种健康状况：正常、内圈故障和外圈故障，轴承故障表 现为通过电火花加工轴承裂纹损伤。
源域、目标域、仿真域的详细信息见表2:
仿真参数与目标域参数一致，采集的仿真域信号处理方法与源域、目标域信号处理方法一致。
实验 2：
该数据来自凯斯西储大学（CW-RU）电工技 术实验室。
如图 7 所示:
记录了轴承内圈,外圈,滚珠故障和正常轴承的振动信号，本文采用了 风扇端（DE）振动信号，采样频率12KHz。
三个域的详细信息见表 3：
3.2 仿真数据描述
采用 ODE45 进行数值计算，图8为 6205 轴承健康、0.5334mm 外圈故障、0.5334mm内圈故障、0.5334mm滚动体故障下的振动加速度信号，采集正下方振动加速度信号构建仿真域数据集。
3.3 实验设置
为验证所提方法的优越性，将本方法与其他七种方法进行对比。
1）为验证迁移策略的必要性，将所提方法 （方法 1）与二维卷积神经网络（方法 2）对比； 2）其次，为体现所提方法的优越性，与经 典无监督跨域故障诊断方法进行对比，包括 DANN、深度自适应网络(DAN)、多对抗域 适应网络（MADA)，记为方法 3 到方法 5。 3）进行消融实验，分别与只加入仿真域的 DANN 和只改进网络结构的 DANN（改进 MK_MMD 及双通道注意力机制（CBAM））进 行对比，记为方法 6 和方法 7。 4）最后，为体现所提方法的抗干扰能力， 与添加高斯噪声数据的结果对比，记为方法 8。 为减少随机初始化影响，每个案例进行 10 次重复实验。主要参数设定为：学习率 0.0001， 批量大小为 16，迭代次数 N 为 100。
3.4 实验结果分析
本文使用平均准确率、不同方法的迭代准确率、平均 F1 分数和混淆矩阵来比较每种方法在目标域测试集上的诊断效果。结果分别如表 4 和图 9-12 所示。
在实验 1 中，正常、内圈故障 和外圈故障状态的标签分别设为 0、1 和 2。实 验 2 中正常、轻微（0.1778mm）、中度（0.3556mm） 和严重（0.5334）内圈故障、滚动体故障和外圈 故障分别设为 0、1、2、3、4、5、6、7、8 和 9。
对比实验结果，可以得出以下结论：
结论一
通过对比方法 1 和方法 2-5，可以看出方法 1 具有更高的平均准确率，平均准确率的标准误差（SEM）更低。在无监督场景下，该方法学习展示出了更强的泛化能力，方法 2 和方法 3 可以认为是源域上训练的模型直接预测目标域，从准确率、F1-Score 等维度上看，迁移后效果更好，体现了所提方法对负迁移的抑制性。SEM 更低代表其具有更好的稳定性。
结论二
通过方法 1 和方法 3，5，6，7 的比较， 发现子域判别器和全局域判别器通过分别优化 边缘概率分布和条件概率分布，提高了故障类别 的诊断精度，进一步避免了负迁移。对比方法 7 和方法 3，MK-MMD 度量的引入使在实验 1 中 准确率由 79.167%上升至 79.870%，实验 2 中准 确率由 86.239%上升至 86.360%，提高了域间差 异性的判别能力。方法 6 和方法 7 相比于方法 3 表现出了更好的平均准确率和 SEM。
结论三
通过比较 8 种方法的无监督跨域诊断迭代精度，如图 8，可以看出，所提方法（方法 1） 与添加高斯噪声将进行训练的神经网络（方法 8） 表现出了较快的收敛速度、更高的诊断准确率和 收敛后更好的稳定性。对比方法 1 和方法 8 和方法 5，可以看出仿真数据可能不准确（对于实际 场景），但它是一种有下限保障的监督数据，所提方法最大限度通过表征源域、目标域、仿真域 的公共特征，抑制了负迁移，促进正迁移。
使用 t 分布随机邻域嵌入（t-SNE）降低输 出特征向量的维度，以反映所提方法的特征适应性能。图 13 中标注了 Outer 表示轴承外圈故障，Inner 表示轴承内圈故障，Norm 表示轴承正常， Ball 表示轴承滚珠故障，每个点代表一个数据样本，距离近的点表示在原始高维空间中特征相 似，距离远的点表示特征差异较大。
图 13 显示了八种方法在目标域的一次实验中测试集的特征适配结果。
对比其他方法表现，所提方法提取出的高维 特征聚类现象表现出更好的效果，不同类型的故障特征之间存在较好的区分度。这是由于模拟数据中涉及了子域判别器，实现了同一类样本的特征匹配，即促进了条件分布适配，而不仅仅是源域和目标域的无差别特征适配。
4 结束语
本文提出了故障机理辅助的多域对抗迁移 故障诊断模型，实现跨工况的滚动轴承故障诊断，以进一步抑制负迁移、促进正迁移提高性 能。该方法将轴承仿真信号作为域判别器的某种 “基准”，通过子域判别器和全局域判别器，优化无监督下的条件分布和边缘分布的对齐，既实现了故障类别上的对齐，又避免依赖目标域的标签预测。
与目前代表性的多域对抗迁移学习算法 MADA相比，本文引入机理数据，避免对目标域 数据的标签预测，进一步抑制负迁移。通过两个 实验案例对该方法进行验证，可以看出仿真数据起到了高质量“伪标签”的作用，可作为迁移时避免负迁移的保证措施。
目前，轴承复合故障诊断有迫切需求，如何在仿真数据中模拟多种故障同时发生，更全面描述目标域特征进而实现复合故障诊断是下一步的研究方向。
—THE END—
参考文献：
张志辉，仲志丹，刘明辉，毛文涛．故障机理辅助的滚动轴承多域对抗迁移故障诊断模型[J/OL]．轴承.
https://link.cnki.net/urlid/41.1148.TH.20240415.1529.004
感谢对本公众号的支持，点个“在看”收藏一下吧~
如需购买视频课程资源，请联系：forwardtszs
