来源：期刊VIP网 时间：
作者：陈莉;申祖辉;张明;
单位：新乡职业技术学院现代设计与工程学院;河南理工大学机械工程学院;
摘要：针对旋转机械剩余有用寿命（Remaining Useful Life,RUL）预测中存在噪声影响以及预测网络泛化性弱的问题，提出一种基于广义互熵（Generalized Correntropy,GC）-卷积神经网络（Convolutional Neural Networks,CNN）-模型无关元学习（Model-Agnostic Meta-Learning,MAML）预测方法。ICNN通常是以振动参数对包含噪声数据的独立工况与具备足够样本数据的RUL开展预测。MAML能够明显增强ICNN初始参数泛化能力并提供大量先验知识，充分适应各类复杂工况。在各组交叉实验中，ICNN-MAML方法优于CNN,MAML学习策略可以在训练集中得到一组初始参数，经过微调后可以达到最优。损失函数消融实验表明，相对CNN方法，ICNN-MAML对预测误差非高斯分布特点起到了弱化作用，并使预测误差基本都在0附近。物理消融实验表明，随着泛化性提升，模型能够对未知与包含少数样本的任务快速学习，加入更多先验工况时获得了更优的预测结果。
关键词：旋转机械;;多变工况;;模型无关元学习;;剩余有用寿命;;泛化能力
基金资助：河南省高等学校重点科研项目（23B510012）
