基于领域对抗网络的轴承故障诊断方法研究

于 龙

(瓦房店轴承集团有限责任公司，辽宁 大连 116300)

1 领域对抗网络

DANN是由3部分构成的，这3部分分别是基于卷积神经网络(CNN)的特征提取器Gf、故障分类器Gy和领域判别器Gd。为了实现一个领域的对抗，DANN在Gf引入Gd，并在他们之间增加了梯层反转层。学习参数是特征提取器通过最大化领域判别器损失函数来实现的，领域判别器的参数是通过最小化损失函数来实现的。

在领域的对抗中，梯形反转层的前向计算过程等于是恒等的变化，并且在误差反向的传播过程中改变了梯形符号，其中，Gf参数的优化会夸大判别器的误差范围，整个学习的过程相当于是一个博弈的过程，就看哪一个参数最终取胜。前者其实就是用来区分输入特征性的Ds或者是Df。后者的学习是具有不受领域变化影响的特征的，这是一大优点。

2 网络诊断方法的步骤

在实际的环境中，由于设备运行的环境十分复杂多变，进而导致待诊断的数据与模型的振动数据分布特征存在很大的差异，这就是训练数据与测试数据不一样，存在的差距有点大。我们在现实生活中通过仪器所收集到的数据在通常情况下的噪声较多，由于采集环境和采集器械的影响，我们所采集到的数据一般是不完整的，且由于其维度较高我们提取重点信息较为困难，无法对其数据进行直接处理，在这种情况下需要对采集到的数据进行预处理，对其进行进一步的排序、筛选和审核，最大程度地减少干扰信息对重点信息的干扰。

详细的运算步骤就是利用DANN进行故障诊断，其运算步骤是：首先是采集到设备在某些工况下的数据，然后利用这些数据进行训练DANN的那两个相关参数，之后再去诊断的样本数据，对这两个参数进行对抗训练，建立相关的数据模型，最后将相关参数输入到相关的模型中得到诊断结果。

3 试验的验证

3.1 试验数据的简介

试验数据是来自国家轴承数据中心，并且数据的振动信号是由轴承的测试所得的。这种测试系统是由电动机、测功器和控制电路构成的，轴承都是单一的损伤，轴承的内圈、滚珠以及外圈都是由电火花机制造的。损伤的直径分别是0.1778mm、0.3556mm、0.5334mm，一共有9种故障的状态，这篇文章研究的是16通道的加速度传感器固定在电机的输出轴上所测的数据，采样的频率为12kHz。

3.2 模型设置以及实验过程

为了保证实验结果的准确可靠性，这次试验进行了好多次，进一步保证了试验的可靠性和可行性。这次试验一共进行了3组试验，其中A组作为源域训练源，而B组和C组则是目标域测试源，分别记作A-B，B-C，第三组和第四组数据将作为B组的数据源而存在，A和C分别作为目标域数据源，分别是B-A，B-C，5和6组的数据将C作为源数据，记做C-1，C-B。

试验的模型采用动量梯度下降的算法进行计算，源数据的大小为192，当模型的损失没有明显变化时就停止训练。在领域对抗之间，目标数据的域数据也是192，学习的速率为0.001。特征提取器的卷积神经算法是在借鉴前人的经验和结合时代的发展得出的，这是第一层宽卷积算法，故障诊断器和领域判别器进行训练防止过拟合，故障分类器可以将这种状态分为10多种，领域判别器是可以将输出的结果作为训练数据的，并且还可以对应两种工况。

3.3 实验结果

模型在每一个方面都是具有很高的诊断率的，这就表明受这两种方法的影响比较小。

为了验证该方法的可行性以及诊断结果的准确性，这篇文章在实际数据的基础上，进行了相关数据的对比，进而验证DANN在轴承故障方面是有意义的，并且准确度是有保证的。

该实验测得的准确度与其他方法的准确度相比，没有经过训练的特征聚集性是很差的，不同故障的特征之间还是有重叠的，但是通过DANN学习的特征聚集性比较集中，同一种故障状态的特征是有少数离散点的，并且他们之间也是没有交叉的。这就表明了我们所提出的方法经过了领域对抗之后，学习的特征对领域变化变得不敏感了，并且还具备了故障识别能力。

3.4 与“传统信号处理+机器学习”方法对比

本文采用偏度、峰值、峭度、歪度等不随工况变化而发生显著变化的特征值作为系统评价指标，并将其与传统信号处理+机器学习的方法进行了对比分析，并利用KNN算法对试验进行了诊断测试。

最终实验结果表明，该实验准确率达到了85%左右，使用基于域的网络基于领域对策和分类优化的设备故障诊断方法选取特征值的稳定性相对较高，但是使用该方法的缺陷较大，每一组的实验数据中均出现了偏离平均值较高的数据，其诊断结果准确率低，不具备参考价值。在与“传统信号处理+机器学习”方法对比的过程中，我们可以发现，本论文所设计使用的基于域的网络基于领域对策和分类优化的设备故障诊断方案方法较为优越，诊断的准确性更高，平均诊断率远远高于“传统信号处理+机器学习”。传统信号处理+机器学习难以实现识别所有的故障特征信号，这是其一大缺陷。本论文提出了面向故障数据的基于生成对抗网络的故障诊断方法，采用数据转图像的预处理方法，并在公开的标准数据集上验证了所提方法的可行性。本论文所提倡的基于域的网络基于领域对策和分类优化的设备故障诊断方法具有通用性，该方法的故障识别能力远远高于传统故障识别方法。

4 总结

轴承故障诊断的实验结果表明，该方法提高了轴承故障诊断的效率。这种方法有2个优点：

(1)与其他的深度学习方法相比，这种方法是正确的野战训练的故障特征，并且能适应工作条件的变化，而且诊断准确率高。

(2)与“传统信号处理+机器学习”方法相比，该方法提取的故障特征能保证所有故障具有足够的敏感性和较强的普适性，所提出的方法不依赖于信号处理技术和专家经验，适应能力强。