毛文涛, 田思雨, 窦智, 张迪, 丁玲. 一种基于深度迁移学习的滚动轴承早期故障在线检测方法. 自动化学报, 2022, 48(1): 302−314 doi: 10.16383/j.aas.c190593

Mao Wen-Tao, Tian Si-Yu, Dou Zhi, Zhang Di, Ding Ling. A new deep transfer learning-based online detection method of rolling bearing early fault. Acta Automatica Sinica, 2022, 48(1): 302−314 doi: 10.16383/j.aas.c190593

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190593?viewType=HTML

近年来, 深度学习技术已在滚动轴承故障检测和诊断领域取得了成功应用, 但面对不停机情况下的早期故障在线检测问题, 仍存在着早期故障特征表示不充分、误报警率高等不足. 为解决上述问题, 本文从时序异常检测的角度出发, 提出了一种基于深度迁移学习的早期故障在线检测方法. 首先, 提出一种面向多域迁移的深度自编码网络, 通过构建具有改进的最大均值差异正则项和Laplace正则项的损失函数, 在自适应提取不同域数据的公共特征表示同时, 提高正常状态和早期故障状态之间特征的差异性; 基于该特征表示, 提出一种基于时序异常模式的在线检测模型, 利用离线轴承正常状态的排列熵值构建报警阈值, 实现在线数据中异常序列的快速匹配, 同时提高在线检测结果的可靠性. 在XJTU-SY数据集上的实验结果表明, 与现有代表性早期故障检测方法相比, 本文方法具有更好的检测实时性和更低的误报警数.

随着科技发展, 各类工程设备的工作和运行环境变得越来越复杂. 作为机械设备的关键零部件, 滚动轴承在长期大载荷、强冲击等复杂工况下, 极易产生各种故障, 导致机械工作状况恶化. 针对轴承的故障预测与健康管理(Prognostics and health management, PHM)技术应运而生. 若能在故障发生初期即进行准确、可靠的检测和诊断, 则有助于进行及时维修, 避免严重事故的发生. 早期故障检测已成为PHM的关键技术环节之一. 近年来, 随着传感技术和机器学习技术的快速发展, 数据驱动的智能化故障检测和诊断技术受到广泛关注. 如何利用历史采集的状态监控数据、提高目标轴承早期故障检测结果的准确性和稳定性成为研究热点和难点, 具有明确的学术价值和应用需求.

本文关注的是不停机情况下的早期故障在线检测问题. 这种方式有助于实时评估轴承工作状态, 避免因等待停机检查而产生延误、造成经济损失, 因此对早期故障的在线检测越来越受到工业界的重视. 由于在线应用场景的制约, 与一般故障检测相比, 早期故障在线检测具有如下需求: 1)检测结果应具有较好的实时性, 能尽可能快速准确地识别出早期故障; 2)检测结果应具有较好的鲁棒性, 能尽可能避免正常状态下轻微异常波动的影响, 相比于漏报警(现有方法对成熟故障检测已较成熟), 更需避免误报警; 3)检测模型应具有较高的可靠性, 在线检测过程中无需反复进行阈值设定和模型优化. 上述需求对检测方法提出了新的挑战.

目前, 在线场景下的早期故障检测基本是采用现有的早期故障检测方法、直接用于在线环境, 其通常做法包括: 从振动信号等监测数据中提取时频特征、小波特征、包络谱特征等早期故障特征, 进而构建支持向量机(Support vector machine, SVM)、朴素Bayes分类器、Fisher判别分析、人工神经网络, 单类(One-class) SVM等机器学习模型进行异常检测, 取得了一定结果. 但是, 上述方法通常无法自适应提取特征, 同时需要一定的离线数据训练得到检测模型, 但目标对象在线场景下采集到的数据有限, 且其数据分布与训练数据的分布可能因随机噪声、变工况等原因而存在差异, 导致离线训练的模型并不完全适合于在线数据, 容易降低检测结果的准确性; 其次, 上述方法通常采用基于异常点的检测算法, 未充分考虑样本前后的时序关系, 容易因数据微小波动而产生误报警, 降低检测结果的鲁棒性; 再次, 为降低误报警, 这类方法需要反复调整报警阈值. 此外, 基于系统分析的故障诊断方法利用状态空间描述建立机理模型, 可获得理想的诊断和检测结果, 但这类方法通常需要提前知道系统运动方程等信息, 对于轴承运行过程来说, 这类信息通常不易获知. 近年来, 深度神经网络已被成功应用于早期故障特征的自动提取和识别, 可自适应地提取信息丰富和判别能力强的深度特征, 因此具有较好的普适性. 但是, 这类方法一方面需要大量的辅助数据进行模型训练, 而历史采集的辅助数据与目标对象数据可能存在较大不同, 直接训练并不能有效提升在线检测的特征表示效果; 另一方面, 在训练过程中未能针对早期故障引发的状态变化而有目的地强化相应特征表示. 因此, 深度学习方法在早期故障在线检测中的应用仍存在较大的提升空间.

综合上述分析, 提升早期故障在线检测效果的关键在于: 1)提高早期故障特征的表示能力, 尤其是增强正常状态特征与早期故障特征的区分度; 2)合理利用不同工况、甚至不同来源的辅助数据进行模型训练; 3)构建简单有效的报警策略, 降低正常状态中的误报警率. 考虑上述需求特点, 本文拟从时序异常检测的角度出发, 引入深度迁移学习方法, 为早期故障在线检测问题提供一个有效的解决方案. 作为机器学习领域的研究热点之一, 迁移学习是一类运用已有知识对不同但相关领域问题求解的机器学习方法. 通过利用一个领域数据(称为源域)所蕴含的先验信息、提升另一个相关但不同的领域(称为目标域)中预测模型的性能, 迁移学习已被证明可有效解决可用训练样本不足的学习问题. 其中, 领域自适应方法是迁移学习方法的一种, 通过学习源域和目标域的公共特征映射, 从而实现领域知识的跨域传递, 实现不同来源辅助数据的跨领域信息传递. 尤其是近年来深度学习技术快速发展, 构建在深度神经网络之上的迁移学习方法开始受到国内外学者的重点关注. 借助于深度模型自适应的特征提取能力和端到端的训练方法, 深度迁移学习已经成功用于解决物体识别、电池寿命预测、疾病检测等问题, 证明利用深度模型提取不同领域数据的公共特征、提高目标域数据量较少情况下建模效果的做法是可行的. 有学者采用深度自编码网络、深度卷积网络等构建迁移学习模型, 并在故障诊断领域取得了初步应用. 这表明深度迁移学习方法可以在不同工况、不同噪声环境之间有效传递故障信息, 弥补不同工况下轴承可用数据不足的限制, 提高诊断精度. 这类工作的关键在于利用深度模型自动学习跨领域状态监测数据的可迁移故障特征, 并形成对故障发生模式的抽象描述信息. 这一思路同样适合于早期故障的在线检测问题, 即利用不同工况下辅助数据所蕴含的故障发生模式信息, 提高在线环境下的时序异常检测精度. 而从时序角度构建异常检测模型, 以序列片段(而非样本点)作为检测对象, 有助于提高异常状态的识别准确率, 也利于提升故障报警的稳定性.

基于此, 本文提出了一种基于深度迁移学习的早期故障在线检测方法. 具体来说, 本文通过在多层自编码器的目标函数中添加域间差异正则项与权重系数的Laplace正则项, 获得更具有表示能力的早期故障特征, 并在此基础上, 利用离线数据正常状态的排列熵值构建报警阈值, 通过异常序列匹配, 实现在线数据中时序故障模式的快速检测. 最后, 在滚动轴承实验上验证了本文方法的有效性. 本文贡献可概括为:

1)提出了一种多域迁移深度自编码网络模型. 与现有绝大多数深度迁移学习模型不同, 该模型所提取特征可在有效减少多个源域数据分布差异的同时, 放大时序数据的变化趋势, 从而提高早期故障特征与正常状态特征的区分度, 因此更适用于故障检测问题. 根据作者文献调研, 目前尚未发现深度迁移学习方法在早期故障检测问题上的应用.

2)提出了一种基于深度迁移学习的故障在线检测模型. 该模型依托于不同工况数据提取的公共特征, 将故障报警策略与在线检测相融合, 直接通过异常序列的自适应匹配, 完成故障报警. 与现有研究主要依赖异常点识别的做法相比, 这一做法可有效提高在线环境下故障检测的准确率和鲁棒性, 同时降低误报警率.

图 5  实验平台

图 6  采用多层深度自编码器提取的三种工况下轴承正常状态数据的特征分布

图 7  采用本文方法提取的三种工况下轴承正常状态数据的特征分布

图 14  本文方法与LOF算法的检测结果对比图 (其中, 本文方法横坐标为序列编号(即样本号除以100), 标签值大于0表示样本识别为正常样本, 小于0表示识别为异常样本)