1.一种基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于包括如下步骤：信号采集，使用传感器采集滚动轴承从开始到完全失效的全寿命周期数据；

采用PCA算法进行多特征融合构建出滚动轴承的健康因子FHI；

构建MAML‑N‑Beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子FHI；

将预测模型的各训练集T的健康因子FHI划分为许多个任务，并将每个任务划分为支持集和查询集；

将测试集P按照步构造的测试任务集,将每个测试任务的支持集输入到MAML‑N‑Beats预测模型中，然后微调模型；

将每个测试任务查询集输入到微调好的MAML‑N‑Beats模型中，经过计算输出后实现轴承剩余寿命预测；

构建MAML‑N‑Beats滚动轴承剩余寿命预测模型的方法包括如下步骤：MAML‑N‑Beats轴承剩余寿命预测模型分为元训练阶段和元测试阶段，元训练阶段是通过训练一系列轴承寿命预测的历史任务，得到基线模型N‑Beats的一个初始参数，使得这个初始模型能够快速适应新的任务；元测试阶段针对测试任务微调元训练阶段得到的N‑Beats初始模型，通过少量样本和反向传播算法对模型参数进行更新，以适应新任务的特征；

(1)元训练阶段

基线模型是包括趋势栈和通用栈的N‑Beats模型，用函数f表示；

第1步，将轴承的健康因子FHI划分为训练任务Ttrain和测试任务Ttest，每个任务都包括支持集Si和查询集Qi；

第2步，随机初始化N‑Beats模型，初始化参数设为θ，此时模型用fθ表示；

第3步，训练任务集Ttrain的任务Ti输入N‑Beats模型进行训练，计算支持集Si在当前任务上的损失 模型fθ的参数就会按式(6)梯度更新从θ更新为θi，其中α是N‑Beats网络的学习率；

第4步，用当前任务的查询集Qi测试 的性能，计算损失第5步，对训练任务集Ttrain的所有任务反复执行3、4步，计算 之和,如公式(7)所示；

第6步，按照式(7)更新元网络的参数θmeta；其中，β为元网络的学习率；通过这样的训练模式，找到N‑Beats模型的初始化参数；

(2)元测试阶段

第1步，在元训练结束后得到的MAML‑N‑Beats模型上，用测试任务Ttest的支持集Si对其进行微调；

第2步，用测试任务Ttest的查询集Qi评估MAML‑N‑Beats模型的性能。

2.如权利要求1所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于：构建健康因子FHI的方法包括如下步骤：提取滚动轴承振动信号的时域特征和频域特征，计算各特征的相关性、预测性和鲁棒性的综合评估值，剔除综合评估值阈值以下的统计特征，得到最优特征参数集；

采用PCA算法融合提取筛选的最优特征参数集和CNN提取的深层特征作为滚动轴承的健康因子FHI。

3.如权利要求2所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于：构建健康因子FHI的方法包括如下步骤：获取滚动轴承的退化数据：通过使用振动传感器采集其在整个使用寿命期间的数据；

提取低层次特征：从原始振动信号中提取时域特征和频域特征；

提取深层特征：构建并训练CNN深层特征提取器，获得滚动轴承的深层特征集；

优质特征选择：根据特征筛选准则，筛选出综合评估阈值以上的时域特征和频域特征作为最优特征参数集；

PCA特征融合：将筛选的最优特征参数集和CNN提取的深层特征进行数据归一化作为PCA的输入，选择贡献率最高的第一主成分作为滚动轴承的健康因子FHI。

4.如权利要求3所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于：时域特征参数包括：均值

2

方差σ；

峰峰值xpeak；

峰态系数Cp；

峰值因子C；

波形因子S；

脉冲因子I；

偏态系数Cs；

裕度系数clf；

峭度系数K；

平均信号电平Asl。

5.如权利要求3所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于，频谱特征参数包括：平均频率Fmean；中心频率Fc；均方根频率Fr；标准差频率Fstd；频率集中度Ffcous；频率峭度Fv。

6.如权利要求3所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于，获得滚动轴承的深层特征集的方法包括如下步骤：

1)数据集划分：将轴承数据集划分为训练集和测试集，原始振动信号作为CNN模型的输入；

2)设定训练标签Yi为退化值，假设当前轴承i的全寿命为T，则当轴承运行到t时，退化值为Yi＝t/T；

3)设置CNN模型输入：将步骤1)中处理好的数据和步骤2)中对应的标签值作为模型输入；

4)模型搭建及训练：CNN深层特征提取器模型共有10层，设置1个输入层、2个卷积层、2个池化层，将经过两次卷积池化的数据进行展平处理后，输入到4个全连接层，最后是1个输出层；其中两个卷积层的卷积核大小都为11*1，两个最大池化层；全连接层FC1～FC4的神经元个数依次是500、200、100、50；输出层使用Sigmoid激活函数将输出值限制在[0,1]范围内，作为对应的退化值；卷积层和其他全连接层的激活函数都为Relu函数；损失函数使用均方误差MSE，在反向传播时使用Adam算法进行优化；为了避免过拟合，引入了dropout和L2正则化；之后对CNN模型进行训练；

5)测试集的原始振动信号输入到步骤4)中已经训练好的模型中，并获得FC4层的50维输出作为测试集轴承的深层特征。

7.如权利要求3所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于，最优参数特征集通过如下方法获得：采用移动平均法将特征序列分解成平稳趋势和随机余量两部分，如式(1)所示，式中，fT(tn)表示平稳部分，fR(tn)表示余量部分；特征序列F＝[f(t1),f(t2),…,f(tN)],时间序列T＝[t1，t2,…，tN]，f(tN)表示在时间tN处的特征值，N为时间序列总长度；

f(tn)＝fT(tn)+fR(tn) (1)时间相关性用来度量特征序列和时间序列的相关程度的，记为Corr(F,T)，定义如式(2)所示；

根据相关性公式计算观测时间与退化特征之间的相关性，其指标取值区间为[0,1]，当退化特征与观测时间的相关性值越接近1，代表相关程度越高；

预测性用来描述特征的预测性能，记为Pre(F)定义如式(3)所示，式中σ(f(tn))为退化特征在失效时刻的标准差；

根据预测性公式计算，其指标取值区间为[0,1]，当特征参数的预测性值越趋近1，代表该特征参数刻画轴承退化过程能力越高，预测能力越强；

鲁棒性用来反应特征信号序列的抗干扰或抗噪能力，记为Rob(F)，定义如式(4)所示：根据鲁棒性公式计算，其指标取值区间为[0,1],当特征参数的鲁棒性值越靠近1，代表该特征参数越强健；

综合考虑三项特征评价指标，得到最优特征参数组合，设计综合目标优化函数如式(5)所示：式中，Cri为综合目标优化函数，ωi(i＝1,2,3)为评价指标系数；相关性、预测性和鲁棒性均与综合目标优化函数呈正相关，且Cri的取值区间为[0,1]，该特征参数组合的Cri越高，表明该特征参数越能表征轴承的退化过程。

8.如权利要求1所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于，将各训练集T的健康因子FHI划分为许多个任务并将每个任务划分为支持集和查询集的方法包括如下步骤：具体划分方法如下：

首先将健康因子FHI中每n个点作为一个任务，其中前k个点作为第一行，然后依次递增行成一个(n‑k+1)*k的样本，即将n个点转化成k个点作为一个支持集，并将n个点的最后k个点作为查询集，在矩阵中表示就是将前k行的行向量定义为支持集，最后一个行向量定义为查询集，模型的元学习过程可表述为如下：* 1 2 m

θ＝MAML(T ,T ,…,T)                            (10)i

公式中T表示不同训练任务；

在训练模型过程中，根据公式(8)对MAML‑N‑Beats网络的参数进行梯度更新，将训练后* * *得到的参数θ保存下来，f表示N‑Beats预测模型使用θ作为初始化参数。

9.如权利要求8所述的基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于，通过测试集P构造测试任务集,将每个测试任务的支持集输入到MAML‑N‑Beats中，然后微调模型：将每个测试任务查询集输入到微调好的N‑Beats模型中，经过计算输出后实现轴承剩余寿命RUL预测：