基于改进DANN迁移学习的轴承寿命预测方法

徐嘉杰　沈艳霞

摘 要 为解决不同工况下轴承寿命预测精度受限的问题，提出一种基于Wasserstein距离改进的领域对抗网络（DANN）迁移学习的轴承寿命预测方法。在IEEE PHM Challenge 2012轴承数据集上进行实验，结果表明：对比多种迁移学习方法，笔者所提WDANN方法能够有效提高不同工况下轴承寿命预测精度。

关键词 轴承 剩余寿命预测 迁移学习 领域对抗 Wasserstein距离

中图分类号 TP206.3；TP911.7   文献标识码 A   文章编号 1000-3932（2023）04-0493-08

在现代工程机械中，滚动轴承是最容易损坏的关键部件之一。对轴承进行准确的剩余使用寿命（RUL）预测，能提高设备系统的安全性和可靠性，降低运营维护成本，对实现系统的预测性维护具有重要参考价值。近年来，随着人工智能的快速发展，基于深度学习的RUL预测技术成为研究热点。REN L等采用卷积神经网络结合频谱主能量向量特征，提出向后平滑的方法来解决预测结果的不连续性问题［1］。LIU R N等建立了一种联合损失的卷积神经网络，共享了部分参数和网络，提高了模型的泛化能力和预测准确性［2］。上述方法虽然均取得了不错的预测效果，但都建立在实验轴承同工况且数据同分布的情况下，无法满足实际工程应用中变工况预测的要求。

迁移学习是指将一个领域学习到的知识应用到另一个领域上去适应新的任务，目前已经提出一些基于迁移学习的轴承故障诊断方法。例如REN Y等提出一种多尺度样本熵的特征迁移方法来提取故障特征［3］。LI J P等使用一种全局-局部的动态对抗网络，计算两个分布的相对比例以提取公共故障特征，进一步提高了故障识别的准确率［4］。但是在轴承寿命预测领域的应用却相对较少。

为了解决不同工况下轴承寿命预测的问题，笔者提出一种基于Wasserstein距离改进的领域对抗网络（WDANN）迁移学习模型。模型主要分3部分：特征提取器、领域判别器和寿命预测模块。其中特征提取器用于挖掘源域和目标域轴承的退化特征。用Wasserstein距离改进DANN的损失函数，量化分布之间的距离。再将WDANN作为领域判别器和特征提取器进行对抗训练，不断迭代获得具备领域无关性的公共特征。最后，将公共特征输入寿命预测模块进行轴承RUL预测。

1 模型构建

1.1 CNN-LSTM特征提取器

由于LSTM隐藏层是全连接网络，对于高维数据的特征提取效果并不好，并且无法充分利用时间序列的局部信息。CNN由于其卷积和池化的特性，能够进行特征降维并提取局部特征。结合CNN和LSTM的各自优势，笔者采用CNN-LSTM作为特征提取器，其结构如图2所示。首先CNN对高维特征进行降维特征提取，然后LSTM进一步学习时序信息，最后通过全连接网络输出特征。

1.2 Wasserstein领域对抗网络（WDANN）

领域对抗网络（DANN）［6］引入了生成对抗的思想，通过特征提取器和领域判别器两者迭代对抗反馈的方式，降低源域和目标域之间的分布差异。对抗训练过程如图3所示。

1.3 整体预测模型的构建

2 实验验证

2.1 数据集

选取IEEE PHM 2012轴承数据集［9］进行寿命预测实验，该数据集基于PRONOSTIA实验平台（图5）获取。通过调节电机速度和负载压力模拟不同工况，由加速度传感器收集振动信号。信号采样频率为25.6 kHz，每次采样持续0.1 s，包含了2 560个数据点。实验设置了3种工况，划分情况见表2。本实验中，将工况1作为源域，工况2作为目标域，进行由工况1到工况2的迁移学习。工况1所有7个轴承和工况2的2-1和2-2轴承作为训练集，工况2其他5个轴承依次作为测试集进行RUL预测。

2.2 数据预处理

2.3 领域迁移结果

使用WDANN进行领域对抗迁移学习，将源域和目标域轴承提取到的特征进行对齐，缩小分布差异。为验证WDANN的迁移效果，选取源域轴承1-7和2-6进行迁移前后特征分布对比［11］，使用Tsne进行降维可视化，结果如图8所示。迁移前后概率密度函数如图9所示。

通过图8、9可以发现，迁移前两个轴承的特征分布差异明显，轴承2-6的特征集中于中部，而轴承1-7的特征集中于后半区域。在使用WDANN迁移之后，两个轴承所提取特征的概率密度函数分布趋同，分布差异显著缩小，提取到了公共特征。说明WDANN实现了良好的特征迁移效果，有利于后续进行轴承寿命预测实验。

2.4 寿命预测结果

选取轴承2-6进行迁移前后的预测效果展示，如图10所示。可以看出，WDANN迁移学习后的RUL预测准确性明显优于迁移前。在中后期样本中，迁移后的预测值可以更好地贴近实际值。

选取前中后期各50个样本进行RUL预测效果和误差展示，如图11所示。曲线下方的误差棒表示各样本点的预测误差［12］。可以看出，在前期和中期样本中，迁移后的预测误差相较于迁移前有大幅降低，后期样本中两者相对平衡。说明WDANN迁移学习后，所提取的公共特征对退化趋势具有更好的表示能力，由此提高了预测效果。

针对工况2下目标域的5个测试轴承，计算迁移前后的误差值，结果见表3。可以看出，经过WDANN迁移后，轴承的平均绝对误差和均方根误差均有所降低。

2.5 不同迁移方法对比

为评价WDANN迁移学习方法相较于其他迁移学习方法的优势，选取经典迁移方法TCA［13］、MMD［14］和DANN［15］做对比，为保证结果的有效性，测试中仅替换WDANN域适应方法为上述方法，其余部分不变。在轴承2-6上的预测误差对比见表4。可以看出，WDANN迁移学习方法相较于其他3种方法，误差最小，預测性能均有提升。

3 结束语

笔者针对滚动轴承变工况寿命预测的问题，提出基于Wasserstein距离改进的DANN迁移学习方法。利用CNN-LSTM网络在降维和提取时序特征方面的优势，充分挖掘轴承的退化特征。利用Wasserstein改进领域对抗网络，量化并减小分布差异，最终提取领域无关的公共特征。设计迁移前后的对比实验和不同迁移方法的轴承寿命预测对比实验，结果表明，该方法能够有效减小特征的分布差异，提高轴承寿命预测的精度。

参 考 文 献

［1］ REN L，SUN Y Q，WANG H，et al.Prediction ofBearing Remaining Useful Life with Deep Convolution Neural Network［J］. IEEE Access，2018，6：13041-13049.

［2］ LIU R N，YANG B Y，HAUPTMANN A G.Simultaneous Bearing Fault Recognition and Remaining Useful Life Prediction Using Joint-Loss Convolutional Neural Network［J］.IEEE Transactions on Industrial Informa-tics，2020，16（1）：87-96.

［3］ REN Y，LI Y B，WANG X Z，et al.A Novel Bearing Fault Diagnosis Method Based on Multi-scale Transfer Sample Entropy［C］//2020 11th International Conference on  Prognostics and System  Health  Management（PHM-2020 Jinan）.IEEE，2020.DOI：10.1109/PHM-Jinan48558.2020.00048.

［4］ LI J P，HUANG R Y，XIA J Y，et al.A Global-Local Dynamic Adversarial Network for Intelligent Fault Diagnosis of Spindle Bearing［C］//2021 IEEE International Instrumentation and Measurement Technology Conference（I2MTC）.IEEE，2021. DOI：10.1109/I2MTC50364.2021.9460061.

［5］ 唐旭，徐卫晓，谭继文，等.基于LSTM的滚动轴承剩余使用寿命预测［J］.机械设计，2019，36（S1）：117-119.

［6］ YU C H，WANG J D，CHEN Y Q，et al.Transfer lear- ning with dynamic adversarial adaptation network［C］//2019 IEEE International Conference on Data Mining（ICDM）.IEEE，2019：778-786.

［7］ ARJOVSKY M，CHINTALA S，BOTTOU L.Wasserstein GAN［J］.DOI：10.48550/arXiv.1701.07875.

［8］ 王玉靜，李少鹏，康守强，等.结合CNN和LSTM的滚动轴承剩余使用寿命预测方法［J］.振动、测试与诊断，2021，41（3）：439-446；617.

［9］ 王新刚，韩凯忠，王朝，等.基于迁移学习的轴承剩余使用寿命预测方法［J］.东北大学学报（自然科学版），2021，42（5）：665-672.

［10］   HAN T，LIU C，YANG W G，et al.A novel adversarial learning framework in deep convolutional neural net-work for intelligent diagnosis of mechanical faults［J］.Knowledge－Based Systems，2019，165：474-487.

［11］   MAO W T，HE J L，ZUO M J.Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（4）：1594-1608.

［12］   陈佳鲜，毛文涛，刘京，等.基于深度时序特征迁移的轴承剩余寿命预测方法［J］.控制与决策，2021，36（7）：1699-1706.

［13］   LONG M S，CAO Y，WANG J M，et al.Learning tra－ nsferable features with deep adaptation networks［C］//Proceedings of the 32nd International Conference on Machine Learning.2015：97-105.

［14］   CAO Z J，LONG M S，WANG J M，et al.Partial transfer learning with selective adversarial networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.IEEE，2018.DOI：10.1109/CVPR.2018.00288.

［15］ 施杰，伍星，柳小勤，等.变分模态分解结合深度迁移学习诊断机械故障［J］.农业工程学报，2020，36（14）：129-137.

（收稿日期：2022-11-18，修回日期：2023-06-13）

A Bearing Life Prediction Method Based on Improved

DANN Transfer Learning

XU Jia－jie， SHEN Yan－xia

（College of IoT Engineering，  Jiangnan University ）

Abstract   For purpose of solving limited accuracy of bearing life prediction under different operating conditions， a bearing life prediction method based on Wasserstein distance improved－domain adversarial network （DANN） migration learning was proposed. Experiments conducted on the IEEE PHM Challenge 2012 bearing dataset show that， as compared to traditional migration learning methods， the proposed method is effective in improving the accuracy of bearing life prediction under different operating conditions.

Key words   bearing， RUL prediction， transfer learning， domain adverse， Wasserstein distance