科研之友
微信
新浪微博
Facebook
分享链接
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-Transfer Learning, 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。
- 单位
