新浪博客

基于两阶段域泛化学习框架的轴承故障诊断方法

2024-12-30 16:51阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

谢刚, 韩秦, 聂晓音, 石慧, 张晓红, 田娟. 基于两阶段域泛化学习框架的轴承故障诊断方法. 自动化学报, 2024, 50(11): 2271−2285 doi: 10.16383/j.aas.c230716
Xie Gang, Han Qin, Nie Xiao-Yin, Shi Hui, Zhang Xiao-Hong, Tian Juan. A two-stage domain generalization learning framework for fault diagnosis of bearings. Acta Automatica Sinica, 2024, 50(11): 2271−2285 doi: 10.16383/j.aas.c230716
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230716


关键词

故障诊断，域泛化，多源域，多视图，时空关系

摘要

设备在实际运行过程中工况复杂多变, 导致振动信号分布存在较大差异. 现有的多数方法通过添加度量指标来约束特征提取过程, 提取源域和目标域的相似特征以解决从单一源域到目标域的诊断问题. 然而, 实际运行过程往往包含多个源域数据, 且目标域信息在不同源域中存在较大差异, 难以有效学习不同域之间的域不变特征. 针对上述问题, 提出了一种基于两阶段域泛化学习框架的轴承故障诊断方法. 在第一阶段, 利用大尺寸卷积特征提取模型对多视图振动信号进行预训练, 提取多个源域数据之间的初级故障特征. 在第二阶段, 将初级故障特征输入动静双态融合的时空图卷积模型中, 捕捉随时间变化的动态特征和全局时空特征. 通过两阶段的学习, 将多个源域的数据映射到一个共有特征空间, 提取判别性和泛化性特征. 实验结果表明, 该方法在多源域轴承故障诊断任务中具有较高的诊断精度和较强的泛化能力.

文章导读

随着现代工业科技的进步, 旋转机械正朝着智能化的方向迈进. 在这一进程中, 轴承作为旋转机械中非常重要的零部件, 被称为“工业的关节”[1−2]. 值得注意的是, 轴承也是旋转机械中最容易发生故障的部件. 有统计数据表明, 轴承故障约占所有旋转机械故障的30%[3]. 因此, 轴承故障诊断技术作为保障旋转机械安全运行的“一把利器”, 及时诊断轴承故障至关重要[4].

近年来, 基于深度学习的算法已广泛应用于滚动轴承故障诊断任务中[5]. 这些故障诊断算法的一个重要假设是训练数据和测试数据的分布一致[6]. 然而, 实际工程中, 需诊断的数据往往与训练数据存在明显分布差异, 上述假设难以满足, 导致诊断性能下降[7].

迁移学习运用已有的知识来学习新的知识, 克服了域间分布差异, 在应对上述问题时具有巨大的潜力[8]. An 等提出了一种基于高斯混合变分的域自适应故障诊断方法, 设计通用辅助分布, 实现源域和目标域的分布对齐, 有效应用于可变工况下的轴承故障诊断任务[9]. Ding 等提出了一种新型的深度不平衡域自适应框架, 通过成本敏感学习和分类对齐实现了细粒度的潜在空间匹配, 有效完成单个源域到目标域的跨域故障诊断任务[10]. 叶楠等通过小波包分解对源域和目标域信号进行重构, 并改进半监督深度信念网络. 在单源域到目标域的跨域故障诊断任务中, 该方法显著优于其他迁移学习方法[11]. 黄星华等采用变体VOLO构造特征提取器, 结合域对抗自适应策略, 实现源域与目标域的特征对齐[12]. 陈仁祥等提出了一种基于深度注意力迁移学习的方法, 通过添加域适配层实现深度特征的迁移适配, 该方法相较于其他方法能够更有效地应对单一源域到目标域的跨域任务挑战[13]. 以上迁移学习方法通过使用单一源域的数据来训练模型, 有效地解决了域间分布差异导致的诊断性能下降的问题. 然而, 实际运行过程往往包含多个源域数据, 且目标域信息在不同源域中存在较大差异, 因此依赖单一源域获得的特征信息有限, 提取的特征缺乏判别性和泛化性[14].

为突破单源域到目标域故障诊断方法的局限性, 一些研究人员利用多个源域数据, 借助添加度量指标来解决分布差异导致的诊断性能下降的问题[15]. Li等提出一种半监督卷积神经网络模型, 将故障信号转换为图像, 利用卷积神经网络自动提取故障特征, 并采用相关对齐约束特征提取过程. 实验结果表明这种多工况迁移故障诊断方法的分类精度明显高于单一工况的迁移方法[16]. Li 等提出了一种强化集成深度迁移学习网络, 利用多个核函数设计不同的最大均值差异, 增强模型的多样性, 有效地利用来自不同源域的信息实现知识迁移, 该方法比其他方法更能满足跨域任务的挑战[17]. Yang等提出了一种多源迁移学习框架, 将多源迁移学习任务拆分为多个子任务, 使用加权 Wasserstein 损失平衡源域和目标域的样本, 结合多个分布适应子网络和多源诊断知识融合模块完成跨域诊断任务. 所提出的框架在将多源域的知识迁移到目标域时明显优于其他先进方法[18]. 可以看出, 上述方法主要关注源域与目标域之间的差异, 忽略了多源域之间的差异, 难以有效学习不同域之间的域不变特征, 导致模型泛化力不足, 影响最终诊断结果. 此外, 这些度量指标的引入需要借助部分目标域样本, 在实际工程中难以实现.

因此, 本文深入考虑多视图数据及其特征之间的时空关系, 提出了一种基于两阶段域泛化学习框架的轴承故障诊断方法. 在第一阶段, 用大尺寸卷积特征提取模型对多视图振动信号数据进行预训练, 以提取不同域之间的初级故障特征. 在第二阶段, 将初级故障特征送入动静双态融合的时空图卷积模型. 其中, 动态时空图卷积模块自适应地调整节点之间的邻接矩阵, 捕捉节点随时间变化的动态信息; 静态时空图卷积模块提取固定图结构上的特征, 使每个节点都能有效地聚合周围节点的信息, 捕捉全局时空特征. 该两阶段学习框架将多个源域数据映射到一个共有特征空间, 实现同设备多工况的域泛化任务, 增强所提取特征的判别性和泛化性, 不仅能够准确区分不同健康状态, 而且在不同域中均表现良好. 通过实验验证, 此方法在不依赖任何度量指标的前提下, 实现了较高的诊断精度和较强的泛化能力.

本文的主要贡献在于: 1) 提出一种基于两阶段域泛化学习框架的轴承故障诊断方法, 在源域与目标域之间振动信号存在显著分布差异的情况下, 不依赖任何度量指标, 将多个源域数据映射到一个共有特征空间. 2) 采用大尺寸卷积特征提取模型进行预训练, 有效提取多源域数据的初级故障特征, 为第二阶段提供可靠的输入. 3) 构建一种动静双态融合的时空图卷积模型, 捕捉随时间变化的动态特征和全局时空特征.
基于两阶段域泛化学习框架的轴承故障诊断方法
图 1 多源域到单目标域的域泛化

我的更多文章

下载客户端阅读体验更佳

APP专享