軸承剩余使用壽命預測方法研究

鄒 旺，吉 暢

（1.六盤水師范學院 工程實訓中心，貴州 六盤水 553004；2.六盤水師范學院 物理與電氣工程學院，貴州 六盤水 553004）

隨著信息技術和制造業水平的不斷發展，大型機械設備不斷朝著高精、高效及工況多樣復雜化發展。大型機械設備在極端條件（高溫、超負荷）下工作，容易發生故障，造成嚴重的經濟損失。預測與健康管理（PHM）是保障運行設備可靠性、安全性和經濟性的重要技術手段[1]，能夠對設備關鍵部件運行狀態進行實時監測，從而實現設備的健康管理，防止故障的發生，降低由設備故障引發的事故風險，從而節約維護成本，提高生產效率[2-3]。

鑒于此，本文旨在總結近年來軸承剩余使用壽命（RUL）預測方法的研究現狀，具體介紹軸承RUL的預測方法：基于物理模型的RUL預測方法、數據驅動的RUL預測方法和融合模型的RUL預測方法，通過比較各種方法的優缺點，有望對各種軸承RUL預測方法有一個認識，最后對未來的發展趨勢進行展望。

1 軸承RUL預測方法

軸承RUL的預測方法有很多種，然而不同方法有各自的優勢，目前還沒有所謂最佳軸承RUL預測的通用模型。RUL的方法分為3個不同的類別，如圖1所示。

圖1 軸承剩余壽命預測方法

1.1 基于物理模型的預測方法

基于物理模型的預測方法通常要認識被測對象的失效機理，需要掌握如材料特性、載荷和溫度等各種內在因素或者外在因素導致機械系統故障機理的一些知識[4-5]，然后建立描述失效機理的物理模型，通過大量的實驗和測試驗證模型的準確性。隨著對失效機理的進一步了解，對模型進行不斷改進或修正以提高預測精度。被用于剩余壽命預測的物理模型有多種，例如，Li等[6]在Parise裂紋擴展模型的基礎上，提出一種自適應軸承壽命預測方法。Lei等[7]使用改進的Paris-Erdogan模型描述軸承的退化過程，并基于粒子濾波算法預測軸承RUL。Kirubarajan等[8]采用Forman裂紋擴展規律，提出一種基于線性彈性斷裂力學的壽命預測模型，計算出軸承發生故障時剩余的循環次數。Li等[9]針對指數模型的不足進行了改進，并利用粒子濾波來降低隨機過程的隨機誤差，實現滾動軸承的壽命預測。Wei等[10]考慮到Lundberg-Palmgren（L-P）模型往往會低估軸承疲勞壽命，尤其是在低負載應用中，在該模型的基礎上，提出一種新的基于應力的疲勞壽命模型。

以上為基于物理模型的RUL預測方法，該方法的關鍵是建立準確地描述軸承退化的物理模型或數學模型，才能保證具有較好的預測效果。

1.2 數據驅動的預測方法

目前，數據驅動的預測方法因其普適性和較高的準確性，被廣泛應用于軸承RUL。數據驅動方法可分為以下3種。

1.2.1 統計模型方法

統計模型方法對軸承進行剩余使用壽命預測時，根據概率統計學理論進行統計模型建模并利用軸承的全生命周期數據進行參數評估，得到軸承的退化狀態，從而實現軸承RUL的預測。卡爾曼濾波（KF）和粒子濾波（PF）常見的2種算法，在統計模型方法中較多的應用。Qian等[11]提出一種自回歸模型與卡爾曼濾波相結合的方法，實驗結果證明了該方法的預測結果較好。文娟等[12]采用隨機過程模型對軸承的退化過程進行建模并利用無跡濾波算法更新模型參數，該方法一定程度上降低了粒子退化程度，提高了軸承壽命預測精度。王曉棠[13]通過對濾波算法的改進，提出一種多策略協同進化的軸承壽命預測方法，該方法提高了粒子權值和粒子多樣性，進而提高了軸承RUL預測的準確性。

統計模型方法是通過計算相應的退化指標獲得剩余使用壽命，計算相對簡便，但這類模型不能根據軸承或者運行工況的變化對模型進行參數修正，預測結果是較差。

1.2.2 隨機模型方法

常用的隨機過程模型有高斯隨機過程模型（Gaussian Process，GP）、維納（Wiener）隨機過程模型和伽馬隨機過程模型，描述各種不同的軸承失效退化過程。高斯隨機過程模型是累計損傷過程，Aye等[14]通過單均值與協方差函數組合，提出一種優化的高斯過程回歸模型，用于預測低速軸承剩余壽命，實現軸承RUL的低百分比誤差預測。

Wiener過程模型也稱為具有線性的布朗運動模型，其表征了一個非單調的退化過程，并已被應用于對退化過程進行建模和預測各種設備零部件的RUL。金曉航等[15]提出一種二維維納過程的軸承RUL預測方法，該方法有效預測了軸承的RUL，與一維維納過程模型相比具有更好的預測精度。Wang等[16]提出了一種具有自適應漂移和擴散的改進維納過程模型用于在線RUL預測模型，該方法與其他現有RUL預測模型相比更加準確地描述退化過程。隨機模型可以很好地描述軸承的健康退化過程，然而，當模型考慮到實際軸承運行環境的多種因數影響時，實現精準的壽命預測仍然是一個挑戰。

1.2.3 機器學習方法

機器學習作為人工智能的核心技術，其強大的學習能力，非常適合大數據時代下對復雜機械系統的退化模型建模，被廣泛地應用在RUL預測。常見的機器學習方法有支持向量機、神經網絡及深度學習方法等。下面綜述幾種基于機器學習方法的軸承RUL預測方法。

Sun等[17]提出了一種基于支持向量機（SVM）的軸承壽命預測方法，該方法采用主成分分析（PCA）從振動信號提取特征，并通過粒子群算法（PSO）對SVM的參數進行優化，預測結果表明該方法更加準確。Liu等[18]將SVM應用于機械狀態預測，考慮到采集的振動數據通常具有多尺度特征，在SVM模型中引入小波變換（WT）以減少不規則特征的影響，以簡化原始信號。使用WT-SVM模型對雙列軸承的振動信號進行建模，實驗結果表明WT-SVM模型優于單SVM模型。奚立峰等[19]利用3個時域特征和3個頻域特征以及新提出的自組織映射網絡（SOM）最小量化誤差特征，基于自組織映射神經網絡模型預測軸承剩余壽命。Ren等[20]利用深度卷積神經（CNN）實現軸承的RUL，提取了64個頻域特征作為CNN的輸入，進行了訓練，該模型結構共有8層，該方法具有更高的準確性。

近年來，機器學習的一個新分支——深度學習越來越受到軸承故障診斷領域研究人員的關注，也被公認為軸承健康監測的有力工具，在軸承壽命預測以及設備失效預測領域具有廣闊的應用空間。

1.3 融合模型的預測方法

融合模型方法結合了2種或多種方法來預測軸承的RUL，克服傳統RUL方法局限性，盡可能發揮出各種預測方法的優勢，進一步提高預測結果的準確性。下面介紹2種融合模型的方法。

1.3.1 基于物理模型與數據驅動融合的方法

基于物理模型與數據驅動融合的方法是將上述2種預測方法相融合，以此來提高預測精度。楊思[21]通過聯合運用車輛系統動力學模型、輪軌接觸模型和優化后的Jendel磨損模型，構建了一種基于數據驅動-模型融合驅動的RUL預測方法，實現車輪磨耗預測，該方法提高了模型的防化能力，減少了數據、實驗成本。Zeng等[22]為了彌合機制和數據之間的差距并發揮其的優勢，提出了一種新的基于物理的數據驅動車輪磨損建模和預測方法，該方法是在磨損機理分析的基礎上，建立了磨損模型，基于磨損與變形閉環交替的車輪退化數值預測方法，通過點估計和區間估計進一步評估車輪的剩余使用壽命（RUL）。

1.3.2 多種數據驅動融合的方法

多種數據驅動融合的方法是將不同類型數據驅動方法進行融合，該方法能夠很好地提高模型的泛化性，預測精度得到了較大的提升。Zhang等[23]提出基于樸素貝葉斯和威布爾分布的軸承剩余使用壽命預測方法，該方法利用威布爾分布（WD）算法來擬合軸承在不同衰退階段的波動特征，此特征作為樸素貝葉斯（NB）的輸入來訓練模型，實驗結果表明，該方法對軸承的RUL預測是有效的。Deutsch等[24]提出了一種集成深度信念網絡和粒子過濾器的混合陶瓷軸承RUL預測的方法。鄒旺等[25]提出一種基于SVM和人工神經網絡（ANN）的軸承剩余壽命預測方法，該方法相比于隨機森林（RFR）模型、套索模型（LASSO）及SVM模型有著更高的預測精度。

多種數據驅動融合的方法充分發揮各個模型的優點，解決不同特點的設備剩余壽命預測問題，該方法具有巨大的潛力，未來將成為軸承壽命預測的研究熱點。

2 RUL預測方法對比分析

為了更加清晰地歸納總結出軸承剩余壽命預測方法的優缺點，根據上述3種預測方法的綜述作進一步評述，對比結果見表1。

表1 各種RUL預測方法優缺點對比

3 結論與展望

本文詳細總結了近年來軸承RUL預測方法，對基于物理模型、數據驅動和融合模型的軸承壽命預測方法進行綜述，并討論了每種方法的優點與不足。目前關于軸承剩余壽命RUL預測的研究比較多，但仍存在許多問題和挑戰。

（1）軸承RUL預測研究用數據與實際脫節。目前絕大部分軸承的RUL研究都是采用CWRU、PRONOSTLA和ISM等公開數據集，然而在實驗條件下采集到的故障信息很難代表實際極端條件軸承退化過程。目前的方法在這些數據上能夠實現準確地預測，然而在實際極端條件下是否能夠保持較高的預測精度還需進一步研究。

（2）軸承RUL數據單一與早期預測。目前大部分研究都是基于振動信號開展軸承壽命預測，單一的振動信號數據無法完全描述軸承退化過程，需考慮獲取多種反映軸承退化的信號。基于小樣本數據實現軸承早期RUL預測對實際的工業生產十分重要，而目前大多數方法，尤其是深度學習方法需要大量的數據訓練模型，才能保證預測精度。因此，開發基于小樣本數據的RUL方法是實現早期預測的關鍵和挑戰。

（3）進一步研究融合模型的RUL預測方法。融合模型的RUL預測方法可以克服傳統RUL方法的局限性，具有降低預測不確定性和提高結果準確性的能力。這些方法可能全部基于模型，或全部由數據驅動，或兩者兼而有之。克服單一模型的局限性以提高RUL預測準確的融合模型方法將成為軸承RUL預測廣泛關注的問題。