针对变工况条件下因样本数据分布差异大、可训练用样本较少以及不同寿命阶段样本数量不均等造成的空间滚动轴承寿命阶段识别准确率较低的问题，提出一种无监督迁移学习方法——类对比簇分配异构迁移学习（CAHTL）。在CAHTL中，通过异构迁移学习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，使得不同工况样本之间的分布差异最小化；利用源域聚类簇点构建目标域样本特征的正负样本实现两域样本的数量再分配，再对两域正负样本进行对比学习以使待测样本分类性更好；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，因此可避免样本不均等情况下对于不同寿命阶段样本识别准确率差距过大和在少有类标签训练样本情况下网络出现过拟合的问题；利用随机梯度下降和动量更新对CAHTL参数进行不同步更新，以保持样本特征的一致性并提高CAHTL的收敛速度。CAHTL可利用空间滚动轴承历史工况下的少量、非均等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。空间滚动轴承寿命阶段识别实例验证了该方法的有效性。
