旋转机械中,滚动轴承是关键部件,在恶劣环境中长时间运行时经常会出现意外缺陷,可能导致重大经济损失并威胁工人安全[1]。因此,开发并实施了智能故障诊断(IFD)系统以确保工业环境中的运行安全和可靠性[2]。
基于深度学习(DL)的故障诊断方法通过自动从振动信号中提取复杂模式和特征而具有显著优势,无需专门的领域知识。与传统信号处理和机器学习(ML)技术相比,这些方法始终表现出更优的性能[3],[4]。
然而,当特定机器或运行条件的数据分布与训练数据不同时,DL模型的诊断性能可能会下降。这些分布不匹配通常包括协变量偏移(即边际分布p(x)和q(x)不同)以及条件偏移(由条件分布p(x|y)和q(x|y)的差异引起)。这些不匹配会影响模型将其学习到的特征表示泛化到测试环境的能力,从而导致诊断性能下降[5]。
无监督领域适应(UDA)是一种通过减少标记源域和未标记目标域之间的分布差异来提高深度神经网络泛化能力的有效方法[6]。UDA技术通常可以分为统计差异对齐和对抗学习。例如,Li等人[7]使用多核最大均值差异(MK-MMD)在多个层次上最小化源域和目标域之间的差异,而Wang等人[8]采用局部最大均值差异(LMMD)来减少源域和目标域之间的类别分布差异。同样,Qian等人[9]提出了最大均值平方差异(MMSD),这是一种新的差异度量方法,能够同时捕捉数据的均值和方差信息,从而提高领域分布对齐性能。在另一项研究中,Ganin等人[10]提出了领域对抗神经网络(DANN),通过特征提取器和领域判别器之间的对抗训练来提取领域不变特征。Li等人[11]利用对抗学习将来自不同传感器的数据投影到一个共同的子空间。
最近,提出了几种领域泛化方法来增强对异构机械系统中分布漂移的鲁棒性。例如,Qian等人[12]设计了一个联邦泛化网络,从不同负载中学习通用表示,而Qian等人[13]开发了一个基于边距的泛化框架,以在各种运行条件下提高类别可分离性。Gao等人[14]还结合了基于GRU的特征提取、解耦的领域不变和领域特定表示以及元学习来实现领域泛化。
先前的研究假设源域和目标域中的类别样本是平衡的。然而,工业机器通常在正常条件下运行,因此收集到的缺陷样本数量远少于正常数据[15]。这种不平衡通常导致分布呈长尾特征,如图1所示。源域和目标域的类别分布之间也可能存在不匹配,即标签偏移问题,其中源域p(y)和目标域q(y)不同,即p(y) ≠ q(y)。这使得传统的UDA方法在现实世界条件下的故障诊断中不太实用。
因此,最近的研究集中在处理领域适应方法中的类别不平衡问题。例如,Kuang等人[16]提出了一种使用类别平衡的焦点损失和双层对抗训练的方法,该方法对齐了源域和目标域之间的边际分布和条件分布。Wu等人[17]也利用领域对抗训练对齐了源域和目标域之间的边际分布,并采用了类内最大均值差异(MMD)来对齐每个类别内的条件分布。此外,还使用了一个成本敏感的深度分类器来解决源域中的类别不平衡问题。在另一项研究中,Tan等人[18]引入了一个专为具有不平衡数据集的跨领域智能故障诊断设计的混合领域适应框架。Ding等人[19]使用LMMD对齐源域和目标域之间的条件分布,并整合了标签分布识别边际(LDAM)损失[20],以提高模型有效处理类别不平衡的能力。
最近,Lee等人[21]通过结合标签对齐采样和度量学习,在类别不平衡条件下提高了跨领域故障诊断的性能,从而增加了伪标签的准确性。Lu等人[22]引入了一个考虑类别不平衡的层,通过类别级特征分布对齐和对抗训练来学习领域不变特征。Wu等人[23]使用对抗学习获得领域不变特征,然后应用迭代特征级SMOTE重采样来减少分类器偏差。
尽管最近的UDA方法在不平衡类别分布的故障诊断中取得了有希望的结果,但它们忽略了三个关键问题。首先,大多数方法主要关注类别不平衡损失和领域对齐,而忽视了可以从有限数据中有效学习的有意义特征。在样本数量极少的严重不平衡领域中,DL模型往往无法提取足够的故障诊断特征,严重限制了其在现实场景中的泛化性能和适用性。其次,先前的研究没有全面探讨在类别不平衡存在的情况下学习具有区分性特征的有效方法。大多数UDA方法主要关注领域对齐,无法充分捕捉少数类的特征或实现不同类别之间的清晰分离。因此,在不平衡的情景中,多数类的主导地位可能会掩盖少数类的特征,阻碍学习过程。第三,在类别不平衡的情景中,对抗学习受到正常数据的主导影响。在适应过程中,判别器主要对齐正常数据,这引入了偏差,使得缺陷数据被误认为是噪声,从而降低了模型的性能。
为了解决这些问题,本研究提出了基于小波核和大型边距网络的加权对抗学习(WALKMAN)。我们工作的主要贡献如下:
1)为了处理样本数量有限的数据集,我们引入了一个小波特征模块(WFM)进行有效的特征提取,该模块用小波核替换了第一个卷积层,并结合了一种增强技术,混合了从这些核中提取的特定尺度特征。这种方法显著提高了性能。
2)对于分类任务,我们引入了一个类感知的大边距(CALM)softmax函数,该函数结合了大边距softmax函数来处理类别不平衡问题。这种方法根据每个类别中的样本数量调整边距,减轻了对正常数据的偏见,并增强了模型对少数类的分类能力。
3)引入了条件加权对抗训练(CWAT)来处理领域之间的特征和标签偏移问题。通过调整正常类的权重,这种方法减少了不平衡领域适应中正常多数类的主导地位。
4)所提出的方法在一个统一的框架内解决了数据稀缺、类别不平衡和领域适应问题。在广泛使用的江南大学(JNU)和机械故障预防技术(MFPT)轴承数据集上的实验表明,WALKMAN的性能优于现有方法,证明了其在存在严重类别不平衡和领域偏移情况下的故障诊断效果。
本文的其余部分组织如下。第2节讨论了所提出方法的理论背景,第3节详细解释了WALKMAN框架。第4节通过在对JNU和MFPT轴承数据集进行的实验评估了其有效性。最后,第5节总结了本文并概述了未来工作的方向。