基于CAHTL的空间滚动轴承寿命阶段识别方法技术

本发明专利技术公开了一种基于CAHTL的空间滚动轴承寿命阶段识别方法，利用CAHTL网络来进行空间滚动轴承寿命阶段识别，CAHTL网络包括前置编码网络、异构迁移学习网络以及同域泛对比学习网络；空间滚动轴承寿命阶段识别包括以下步骤：S1、信息补偿；S2、异构迁移学习网络预训练；S3、构造特征迁移损失函数；S4、构造同域泛对比学习损失函数；S5、构造分类损失函数；S6、构造CAHTL的联合损失函数，采用随机梯度下降和动量不同步更新方式将联合损失函数训练至收敛；S7、利用CAHTL网络对目标域待测样本进行分类。本发明专利技术能够利用空间滚动轴承历史工况下的少量、非均等、部分信息残缺的已知寿命阶段的训练样本对当前工况的待测样本进行较高精度的寿命阶段识别。寿命阶段识别。寿命阶段识别。

【技术实现步骤摘要】
基于CAHTL的空间滚动轴承寿命阶段识别方法


[0001]本专利技术属于飞行器设计
，特别涉及一种基于CAHTL的空间滚动轴承寿命阶段识别方法。

技术介绍

[0002]空间滚动轴承是众多空间飞行器的关键零部件之一，由于其结构和工况的特殊性，在很大程度上决定了飞行器的能否达到预定服役年限以及实现预设目标任务。但是由于空间飞行器运行环境复杂且存在很多未知性，在轨状态下实时监测轴承数据技术成本昂贵而且很难做到及时更换或维修，因此对地面模拟空间环境下空间滚动轴承的寿命阶段识别的研究可以建立长寿命、高可靠空间滚动轴承基础数据库，以实现从大量的候选空间滚动轴承中筛选出最优寿命空间滚动轴承(即被识别为正常阶段的空间滚动轴承)安装到空间飞行器中，从而有助于避免在轨空间飞行器关键零部件故障带来的灾难性事故。
[0003]目前空间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：吴昊年等采用无重复均匀随机抽样和多分类器来改进均衡分布适配，再用改进后的均衡分布适配对空间滚动轴承进行寿命阶段识别。董绍江等采用多层降噪技术、经验模态分解方法以及卷积神经网络(Improved convolution neural network,ICNN)对空间滚动轴承进行故障诊断。Dong等利用沙利斯熵(Tsallis entropy
‑
KPCA,TEK)得到积函数信号熵特征，将提取的信号熵特征经主成分分析后输入到优化模糊c均值模型(Optimized fuzzy c
‑
means model，OFCM)中进行空间滚动轴承寿命阶段识别。陈仁祥等结合线性局部切空间排列(Linear local tangent space alignment,LLTSA)维数约简和最近邻分类器对地面模拟空间环境下的空间滚动轴承进行寿命阶段识别。然而，以上机器学习方法都是以数据概率分布一致性为前提，而模拟空间环境下的空间滚动轴承寿命阶段识别是在变工况条件下展开的，基于分布一致性的机器学习方法并不能很好地适应变工况环境。其次，以上机器学习方法需要大量的带类标签的历史工况(即源域)数据进行训练，而且要求各寿命阶段训练数据占比均等且样本数据完整。但受试验周期和成本影响，地面模拟空间环境下的加速寿命试验仅能获得部分历史工况下的少量空间滚动轴承全寿命样本用于分类模型的训练，且空间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；更多的空间轴承只能做截尾试验(若轴承在其达到精度失效阈值前即被停止运行的失效前试验)，因此部分末端截尾样本可能存在元素连续残缺、其样本长度与前期截尾样本不一致的问题。以上复杂的地面模拟空间环境试验条件暴露了以上机器学习方法用于地面模拟空间环境下空间滚动轴承寿命阶段识别的局限性。
[0004]迁移学习(Transfer learning,TL)在样本概率分布不一致条件下具有良好的域泛化性能，因此为变工况条件下的空间滚动轴承寿命阶段识别提供了全新的解决思路，但是传统迁移学习在少样本、残缺样本情况下分类效果不理想。对比学习(Contrastive learning,CL)是一种自监督学习范式，它通过比较数据对之间的“相似”或者“不同”以获取数据的高阶信息来对无标签数据集进行自监督学习，且它在定义正负样本方面的灵活性使
得它在少样本情况下可以对两域样本进行灵活再分配，因此用于解决少样本分类问题具有潜力。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种在变工况、样本数据分布差异大、部分样本元素缺失、可训练用样本较少以及不同寿命阶段样本数量不均等等条件下，能够利用空间滚动轴承历史工况下的少量、非均等、部分信息残缺的已知寿命阶段的训练样本对当前工况的待测样本进行较高精度的寿命阶段识别的基于CAHTL的空间滚动轴承寿命阶段识别方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：基于CAHTL的空间滚动轴承寿命阶段识别方法，利用CAHTL网络来进行空间滚动轴承寿命阶段识别，所述CAHTL网络依次包括前置编码网络、异构迁移学习网络以及同域泛对比学习网络；
[0007]空间滚动轴承寿命阶段识别包括以下步骤：
[0008]S1、将信息残缺的空间滚动轴承原始振动信号样本输入前置编码网络进行元素填充，即信息补偿；
[0009]S2、异构迁移学习网络预训练：将信息补偿后的空间滚动轴承源域和目标域的原始振动信号样本分别输入异构迁移学习网络，得到相应的两域高维特征，通过特征分布差异度量函数对两域高维特征构造特征迁移损失函数；通过优化特征迁移损失函数得到异构迁移学习网络的最优参数集；
[0010]S3、将源域有类标签样本以及目标域无类标签样本输入预训练好的异构迁移学习网络来构造新的异构迁移学习网络的特征迁移损失函数；
[0011]S4、对异构迁移学习网络输出的源域样本高维特征聚类得到蕴含不同类别信息的聚类簇点；以这些聚类簇点为祖点，利用同域泛对比学习网络为目标域待判别样本特征进行正负样本判别，使每个目标域样本特征都得到一个与自己对应的唯一正样本和λ个负样本，并将该判别结果存储在特征存储器中；得到正、负样本之后，构造同域泛对比学习损失函数；
[0012]S5、计算空间滚动轴承目标域待测样本的高维特征与不同聚类簇点的相似度，并选择相似度最大的聚类簇点所对应的类标签作为待测样本的预测伪类标签，同时依据预测伪类标签来构造分类损失函数；
[0013]S6、结合S3得到的异构迁移学习网络的特征迁移损失函数、同域泛对比学习损失函数以及分类损失函数来构造CAHTL的联合损失函数，采用随机梯度下降和动量不同步更新方式将联合损失函数训练至收敛，得到CAHTL网络的最优参数集，完成CAHTL网络的训练；
[0014]S7、利用训练好的CAHTL网络对目标域待测样本进行分类，完成对空间滚动轴承的寿命阶段识别。
[0015]本专利技术的有益效果是：
[0016](1)在所提出的CAHTL中构造的前置编码网络能够对信息残缺的原始振动信号做元素填充以解决残缺样本的信息补偿问题。
[0017](2)CAHTL中的异构迁移学习网络能够将历史工况下少量有类标签样本和当前工况的无类标签样本(即待测样本)迁移到公共特征空间内，实现将不同分布的样本在公共特
征空间内同分布的目的；由源域聚类簇点构建的目标域样本特征的正负样本可实现两域样本的数量再分配；对两域正负样本进行对比学习可以使待测样本具有更好分类性。
[0018](3)CAHTL通过计算待测样本与聚类簇点的相似度完成待测样本分类，且该分类过程无需参数学习，因此可防止源域有类标签训练样本不均等情况下对于不同寿命阶段待测样本识别准确率差距过大和在少训练样本情况下网络出现过拟合的问题。
[0019](4)利用随机梯度下降和动量更新对CAHTL参数进行不同步更新可保持样本特征的一致性并提高CAHTL的收敛速度。
[0020](5)CAHTL的以上优势使得它可利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CAHTL的空间滚动轴承寿命阶段识别方法，其特征在于，利用CAHTL网络来进行空间滚动轴承寿命阶段识别，所述CAHTL网络依次包括前置编码网络、异构迁移学习网络以及同域泛对比学习网络；空间滚动轴承寿命阶段识别包括以下步骤：S1、将信息残缺的空间滚动轴承原始振动信号样本输入前置编码网络进行元素填充，即信息补偿；S2、异构迁移学习网络预训练：将信息补偿后的空间滚动轴承源域和目标域的原始振动信号样本分别输入异构迁移学习网络，得到相应的两域高维特征，通过特征分布差异度量函数对两域高维特征构造特征迁移损失函数；通过优化特征迁移损失函数得到异构迁移学习网络的最优参数集；S3、将源域有类标签样本以及目标域无类标签样本输入预训练好的异构迁移学习网络来构造新的异构迁移学习网络的特征迁移损失函数；S4、对异构迁移学习网络输出的源域样本高维特征聚类得到蕴含不同类别信息的聚类簇点；以这些聚类簇点为祖点，利用同域泛对比学习网络为目标域待判别样本特征进行正负样本判别，使每个目标域样本特征都得到一个与自己对应的唯一正样本和λ个负样本，并将该判别结果存储在特征存储器中；得到正、负样本之后，构造同域泛对比学习损失函数；S5、计算空间滚动轴承目标域待测样本的高维特征与不同聚类簇点的相似度，并选择相似度最大的聚类簇点所对应的类标签作为待测样本的预测伪类标签，同时依据预测伪类标签来构造分类损失函数；S6、结合S3得到的异构迁移学习网络的特征迁移损失函数、同域泛对比学习损失函数以及分类损失函数来构造CAHTL的联合损失函数，采用随机梯度下降和动量不同步更新方式将联合损失函数训练至收敛，得到CAHTL网络的最优参数集，完成CAHTL网络的训练；S7、利用训练好的CAHTL网络对目标域待测样本进行分类，完成对空间滚动轴承的寿命阶段识别。2.根据权利要求1所述的基于CAHTL的空间滚动轴承寿命阶段识别方法，其特征在于，所述步骤S1具体实现方法为：记空间滚动轴承源域振动加速度样本集为S
D
，目标域振动加速度样本集为T
D
；分别取来自S
D
的M个有类标签样本和来自T
D
的L个无类标签样本作为前置编码网络的输入；假设源域类空间Y
s
和目标域类空间Y
t
各存在K个类别；单个源域样本和单个目标域样本分别记为和其中，m∈(1,
…
,M)、l∈(1,
…
,L)，i、u分别代表源域和目标域样本中的不同元素，n代表不同元素所处序列位置，*代表该元素缺失；N代表每个源域或目标域样本中的元素的个数；首先，对空间滚动轴承原始振动加速度信号样本集的缺失元素进行预处理，即在缺失元素的位置依旧保持空缺并且不改变其余正常元素位置；将预处理后的空间滚动轴承样本按照时间域T
T
切分成R个等长区域，记为T'＝(T1',T
’2,
…
,T
’
n
,
…
,T
’
R
)，同时记切分后的源域和目标域小区域样本分别为S＝{S
r
|r∈1,
…
,R}、T＝{T
r
|r∈1,
…
,R}，它们是前置编码网络的输入，每个小区域长度均假设为d；由于元素缺失程度不同，切分后每个小区域样本信息持有量并不同；该样本域切分过程表示为：
在切分好后的每个小区域样本前需要增加一个可学习、可更新的嵌入向量C＝{C
r
|r∈1,
…
,R}；由于Transformer编码器要将多个小区域样本归结为一个判别类，因此这个追加的嵌入向量C就是多个小区域样本共同寻找的类别信息；该嵌入过程表示为：接着，对残缺样本进行元素填充，将原始的源域和目标域样本集重构为如下矩阵形式：接着，对残缺样本进行元素填充，将原始的源域和目标域样本集重构为如下矩阵形式：式(3)中，代表E
MN
某位置元素空缺；式(4)中，代表E
LN
某位置元素空缺；元素填充之前需要判断样本某位置元素是否缺失，判别公式表达如下：接下来，使用小区域样本平均偏差和元素列均值补偿相结合的方法对*所标注的空缺位置的缺失元素进行填充；用E表示E
MN
或E
LN
中的空缺位所在列的正常元素的个数；用U表示E
MN
或E
LN
中的空缺位所在行中对应小区域样本的正常元素个数，U≤d；用x
Su
、x
Tu
分别代表E
MN
或E
LN
中的空缺位所在行中对应小区域样本不同位置上的正常元素，u∈(1,
…
,U)；然后，对残缺样本进行元素填充如下：式(6)中，式(7)中，分别为源域和目标域不同小区域样本的正常和逐个填充后元素的平均波动偏差，r∈(1,2,
…
,R)；分别为源域和目标域不同小区域样本的正常和逐个填充后元素的均值；进行元素填充之后，为小区域样本增加一个相对位置编码过程来补充小区域样本相对位置信息，该相对位置编码过程如下：式(8)中，分别表示位置T
n
'∈(T1',T
’2,
…
,T
’
R
)处位置编码向量的第2i、2i+1个分量，d...

【专利技术属性】
技术研发人员：汪永超，刘峰良，李锋，
申请(专利权)人：宜宾四川大学产业技术研究院，
类型：发明
国别省市：