模型无关元迁移学习用于空间滚动轴承寿命阶段识别

作     者：李统一 李锋 汤宝平 汪永超 LI Tong-yi;LI Feng;TANG Bao-ping;WANG Yong-chao

作者机构：四川大学机械工程学院四川成都610065 重庆大学机械传动国家重点实验室重庆400044 

出 版 物：《振动工程学报》 (Journal of Vibration Engineering)

年 卷 期：2023年第36卷第5期

页      面：1457-1468页

核心收录：

学科分类：07[理学] 08[工学] 080203[工学-机械设计及理论] 070104[理学-应用数学] 0802[工学-机械工程] 0701[理学-数学] 080201[工学-机械制造及其自动化] 

基　　金：机械传动国家重点实验室开放基金资助项目(SKLMT-KFKT-201718) 中国博士后科学基金第60批面上资助项目(2016M602685) 四川省中国制造2025四川行动资金项目计划(智能制造新模式应用)项目(2019CDYB-12) 

主　　题：寿命阶段识别 空间滚动轴承 原型网络 元学习 迁移学习 

摘      要：针对变工况下空间滚动轴承寿命阶段识别时因样本分布差异较大、可训练用寿命阶段样本较少以及不同寿命阶段样本数量不均等所造成的寿命阶段识别准确率较低的问题,提出模型无关元迁移学习(Model-Agnostic Meta-TransferLearning,MAMTL)用于空间滚动轴承寿命阶段识别。在MAMTL中,将模型无关元学习和迁移学习相结合以实现多任务同步平行训练从而代替传统的迭代训练,多个任务损失函数利用不同工况下无类标签样本和历史工况下少量有类标签样本共同更新MAMTL网络参数,以寻求网络参数的全局最优解,这使MAMTL具有更好的泛化能力,因此MAMTL在较少历史工况有类标签训练样本情况下比传统迁移学习具有更好的域适配性;在MAMTL中构建新型原型网络以将历史工况每一类别的样本表示为一个原型,通过计算当前工况待测样本与原型的相似度完成当前工况待测样本分类,且该分类过程无需参数学习,因此可防止样本不均等情况下对于不同类别样本识别精度差距较大和在少量有类标签训练样本情况下网络出现过拟合的问题,从而更好提高分类精度。MAMTL的以上优势使得它可利用空间滚动轴承历史工况下的少量、非均等已知寿命阶段的训练样本对当前工况待测样本进行较高精度的寿命阶段识别。空间滚动轴承寿命阶段识别实例验证了该方法的有效性。