文章目录
Preface
在轴承故障诊断领域(BFD)深度学习(DL)取得了很好的效果,然而大多数方法假设训练集与测试集是相同的分布空间,这意味着该诊断模型不适用于其他未知域。迁移学习(TL)提高了在不同数据分布中的诊断模型性能,但依然存在以下缺陷:
1)迁移学习从源域(SD)中学习目标域(TD)的故障知识,实际工程中需要做频繁的迁移任务,限制了模型的适用性
2)迁移学习中TD的故障类型必须是已知的,若发生未知故障,迁移学习将不可用
本文提出了一种基于深度注意关系网络(DARN)的针对未知域下BFD的零样本学习方法。该方法主要包括特征提取模块和关系模块。特征提取模块用于生成输入样本的表示。关系模块计算样本对之间的关系分数,以确定它们的类型。在DARN中引入了并行注意机制(PAM),以增强所建立模型的表征能力,使关系模块更便于比较。贡献如下:
1)提出了DARN方法,从单个已知域学习故障知识,在数个未知域中测试,而训练数据不包含未知域样本。
2)关系模块可以揭示样本对之间的相似性关系来确定其类别,从而提高在几个未知领域的诊断性能。
3)引入PAM,帮助模型定位不同类别中最具鉴别性的区域,以增强DARN的特征可鉴别性,使关系模块能够更好地区分样本对之间的相似性关系。
Method
Problem Formulation
假设如下:
1)不同域中的BFD任务是相同的,即共享相同的轴承健康状态。
2)训练数据集和测试数据集是相互关联的,但由于运行环境的变化和故障的原因,它们存在不同的数据分布。
3)训练数据集仅来自一个已知领域,而测试数据集来自多个未知域,不需要参与训练过程。
Deep Attention Relation Network(DARN)
DARN主要由连续小波变换(CWT)模块、特征提取器模块
F
φ
1
F^1_\varphi
Fφ1、卷积注意模块
F
φ
2
F^2_\varphi
Fφ2和关系模块
G
ϑ
G_\vartheta
Gϑ组成
CWT Module
CWT可以揭示低频和高频信息下的故障信息,保留有效信号的特征。在CWT中,通过计算时域数据
x
(
t
)
x (t)
x(t)与小波基函数
φ
a
,
b
(
t
)
\varphi_{a,b}(t)
φa,b(t)的内积,形成小波时频映射,表示为
a
a
a是CWT的比例因子,
b
b
b为时移因子,支持集
S
S
S和查询集
Q
Q
Q通过CWT转换为小波时频映射,并馈送给特征提取器模块。
Feature Extractor Module
CNN:4卷积2池化
S
,
Q
S,Q
S,Q分别经过特征提取得到
F
φ
1
(
x
i
S
)
F^1_\varphi(x^S_i)
Fφ1(xiS)和
F
φ
1
(
x
i
Q
)
F^1_\varphi(x^Q_i)
Fφ1(xiQ),使用
C
(
)
C()
C()(特征映射的深度连接)得到特征映射对
C
(
F
φ
1
(
x
i
S
)
,
F
φ
1
(
x
i
Q
)
)
C(F^1_\varphi(x^S_i),F^1_\varphi(x^Q_i))
C(Fφ1(xiS),Fφ1(xiQ)),输入卷积注意模块
Convolution Attention Module
CNN:2卷积2池化
后接并行注意机制(PAM)。PAM同时包括通道注意机制和空间注意机制。通道注意机制可以关注特征图对中最具代表性的特征,而空间注意机制可以定位特征图对中信息最丰富的位置。这将提高DARN的表征能力,使关系模块更具鉴别能力。
通道注意机制:MLP是多层感知器,LP是感知器,
σ
\sigma
σ是Sigmoid函数
空间注意机制:
f
7
×
7
f^{7\times7}
f7×7表示卷积操作
PAM:输出
F
φ
2
(
C
(
F
φ
1
(
x
i
S
)
,
F
φ
1
(
x
i
Q
)
)
)
F^2_\varphi(C(F^1_\varphi(x^S_i),F^1_\varphi(x^Q_i)))
Fφ2(C(Fφ1(xiS),Fφ1(xiQ)))
M
P
A
M
(
F
)
=
M
c
(
F
)
+
M
s
(
F
)
(
6
)
M_{PAM}(F)=M_c(F)+M_s(F) (6)
MPAM(F)=Mc(F)+Ms(F)(6)
Relation Module
关系模块由两个尺寸为1×8和尺寸为1×1的全连接块组成。
关系模块
G
ϑ
G_\vartheta
Gϑ可以计算特征映射对
F
φ
2
(
C
(
F
φ
1
(
x
i
S
)
,
F
φ
1
(
x
i
Q
)
)
)
F^2_\varphi(C(F^1_\varphi(x^S_i),F^1_\varphi(x^Q_i)))
Fφ2(C(Fφ1(xiS),Fφ1(xiQ)))的关系得分,进行关系学习。关系分数
r
i
,
j
r_{i,j}
ri,j是0到1之间的标量,表示支持集
S
S
S和查询集
Q
Q
Q之间的相似性。这意味着关系得分越高属于同一类别,而关系得分越低属于不同类别。因此,关系模块
G
ϑ
G_\vartheta
Gϑ的输出被定义为
Optimization Objective of the DARN
最小化均方误差(MSE)
DARN的训练流程如算法1所示。
BFD Procedure
Experiment
Case 1
采用Ottawa数据集,数据集包含三个轴承健康状态,即正常(NC)、内圈故障(IF)和外圈故障(OF)。振动信号采样频率200KHz,采样时间10s。在四个时变转速条件下采集(O1-O4)。工作转速条件包括升速、降速、先升后降、先降后升。每次收集的原始信号的长度是1024。对于每个轴承的健康状态,收集了1000个样本。对于每个操作条件,数据集中有3000个样本。(表二)
建立T1、T2、T3、T4 4个诊断任务。例如,T1表示使用操作条件O1的80%数据集作为训练数据集,使用操作条件O1的剩余数据集和操作条件O2、O3、O4的数据集作为测试数据集。在T1中,O2、O3和O4相当未知的操作条件。(表三)
结果:
Case 2
采用Paderborn数据集,做法与Case 1类似。