[发明专利]基于MAMTL的滚动轴承寿命阶段识别方法

权利要求书

1.基于MAMTL的滚动轴承寿命阶段识别方法，其特征在于，包括以下步骤：

S1、对滚动轴承的全寿命数据进行寿命阶段划分，将全寿命数据划分为正常阶段、早期退化阶段、中期退化阶段、完全失效阶段4个阶段；

S2、采集已经完成寿命阶段划分的滚动轴承全寿命阶段的振动加速度作为源域样本集S_D，采集待识别的滚动轴承的振动加速度作为目标域样本集T_D；

S3、训练MAMTL网络，MAMTL由内环平行网络、外环元学习网络和原型网络组成，内环平行网络和外环元学习网络均由相同的迁移学习网络构成，内环平行网络包括N个平行的迁移学习网络，用于完成N个训练任务；

训练MAMTL网络的具体方法为：

S31、训练内环平行网络参数：记内环平行网络的N个训练任务为T＝{T_i|i∈1,…,N}；第i次训练任务开始时，随机选取来自源域样本集S_D的K个无类标签样本和来自目标域样本集T_D的K个无类标签样本分别作为源域支持集和目标域支持集随机选取来自源域样本集S_D的K个无类标签样本和来自目标域样本集T_D的K个无类标签样本分别作为源域查询集和目标域查询集将每个任务的源域支持集和目标域支持集的样本输入与任务对应的迁移学习网络提取到高维特征，然后通过分布差异度量函数来构造源域支持集高维特征和目标域支持集高维特征的损失函数；更新内环平行网络的参数；

S32、更新外环元学习网络参数：将每个任务的源域查询集和目标域查询集的样本输入更新参数后的内环平行网络的迁移学习网络中提取高维特征，然后通过分布差异度量函数来计算源域查询集高维特征和目标域查询集高维特征的损失函数，再将N个任务的高维特征损失函数的加权平均值作为外环元学习网络的总损失函数，优化外环元学习网络参数集，完成一次外环元学习网络的参数更新；

S33、重复S31～S32过程，直到外环元学习网络参数训练至收敛，完成外环元学习网络的预训练；

S34、计算目标域待测样本的伪标签：分别取K个有类标签的源域样本和K个无类标签的目标域待检测样本，将源域有类标签样本和目标域待检测样本输入预训练好的外环元学习网络得到各自的高维特征，然后由源域有类标签样本的高维特征得出每个类别的原型，最后计算目标域样本高维特征与每个原型的相似度以得到目标域样本的伪标签；

S35、外环元学习网络参数微调：由源域有类标签样本的高维特征和目标域待测样本的高维特征的分布差异度量函数与目标域待测样本的伪标签概率分布来共同构建MAMTL的总损失函数，将总损失函数训练至收敛，完成对外环元学习网络参数的微调；

S4、识别目标域待测样本的类标签：用训练好的MAMTL完成对目标域待测样本的分类，即完成对滚动轴承的寿命阶段识别。

2.根据权利要求1所述的基于MAMTL的滚动轴承寿命阶段识别方法，其特征在于，所述步骤S31具体实现方法为：每个任务分别在具有相同初始值的内环平行网络中训练；每个内环平行网络由N个相同的迁移学习网络组成，令迁移学习网络的特征映射函数为F(·)，参数集为θ，分布差异度量函数为G(·)；

假设第m次训练时外环元学习网络的参数初始值集合为θ_m，将θ_m作为N个任务对应的迁移学习网络的参数初始值集合；在任务T_i中，先将支持集样本输入该任务所对应的迁移学习网络特征映射函数，以分别提取得到高维特征该过程表达如下：

提取到高维特征后，通过分布差异度量函数G(·)来构造如下支持集高维特征的损失函数：

得到支持集高维特征的损失函数后用随机梯度下降法对迁移学习网络的参数θ_m进行一次更新，该更新过程如下：

式中，α为内环平行网络参数的学习率；

于是，每个任务分别在对应的内环平行网络内依据式(1)-式(4)来更新迁移学习网络参数，得到该任务更新后的内环平行网络参数集