[发明专利]基于MAMTL的滚动轴承寿命阶段识别方法

说明书

本发明公开了一种基于MAMTL的滚动轴承寿命阶段识别方法，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，采集待识别的滚动轴承的振动加速度作为目标域样本集；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；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。本发明可以利用滚动轴承历史工况下的少量、非均等寿命阶段样本来对当前工况待测样本进行较高精度的寿命阶段识别。

技术领域

本发明属于滚动轴承寿命预测技术领域，特别涉及一种基于MAMTL的滚动轴承寿命阶段识别方法。

背景技术

滚动轴承广泛应用于燃气轮机、航空发动机、风力机等各种关键的设备中，其寿命和可靠性很大程度上决定了设备能否正常运转、实现预定功能和达到预期服役寿命。滚动轴承在整个服役的过程中，将经历一系列不同的寿命阶段。因此对滚动轴承的寿命阶段识别的研究有助于避免关键设备故障带来的灾难性事故，降低设备的维修成本，提高设备的效率，同时可以建立长寿命、高可靠滚动轴承基础数据库，实现从大量的候选滚动轴承中筛选出最优寿命轴承安装到设备中。

目前滚动轴承寿命阶段识别的研究刚刚起步，有为数不多的研究案例。如：陈仁祥等采用源域多样本集成测地线流式核方法(Source Domain Multi-sample IntegratedGeodesic Flow Kernel，SDMIGFK)来识别空间滚动轴承寿命阶段；Dong等使用改进抗干扰卷积神经网络(Improved Convolutional Neural Network with Anti-interference，ICNNA)进行空间滚动轴承寿命阶段识别；吴昊年等采用改进均衡分布适配(ImprovedBalanced Distribution Adaptation，IBDA)方法来完成空间滚动轴承寿命阶段识别。然而，改进抗干扰卷积神经网络是基于概率分布一致性假设的机器学习方法，而滚动轴承都是运行在变工况条件下(随着滚动轴承磨损加剧、轴承间隙改变，滚动轴承所受轴向或径向载荷会发生持续性变化，且轴承转速也越来越不稳定)，变工况条件会使滚动轴承状态数据的分布特性产生差异、漂移，因此，基于分布一致性假设的机器学习方法在变工况条件下泛化能力较差，难以适用于变工况条件下的滚动轴承寿命阶段识别。另一方面，以上所有机器学习方法都需要大量的有类标签的历史工况(即源域)数据来进行训练且要求各类训练样本数量必须均等。然而变工况条件以及数据在线和离线采集成本的高昂性造成滚动轴承运行状态信息难以获取，往往仅能获得部分历史工况下的少量滚动轴承全寿命样本数据用于分类模型的训练，且滚动轴承不同寿命阶段的时间跨度的不均等往往造成各个寿命阶段的样本数量也不均等，以上滚动轴承运行工况和状态数据的复杂性也暴露了以上机器学习方法用于滚动轴承寿命阶段识别存在一定的局限性。

发明内容

本发明的目的在于克服现有技术在变工况下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问题，提供一种可以利用滚动轴承历史工况下的少量、非均等寿命阶段样本(即有类标签训练样本)来对当前待测样本进行较高精度的寿命阶段识别的基于MAMTL的滚动轴承寿命阶段识别方法。

本发明的目的是通过以下技术方案来实现的：基于MAMTL的滚动轴承寿命阶段识别方法，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；