基于多尺度卷積神經網絡的軸承剩余壽命預測

馬占偉，袁逸萍，樊盼盼，趙 琴

（新疆大學機械工程學院，新疆烏魯木齊 830047）

1 引言

設備故障預測和健康管理作為保證工業設備正常可靠運行的技術得到了廣泛的關注。軸承廣泛應用于各類工業設備中，通過建立軸承剩余使用壽命（Remaining Useful Life，RUL）預測模型可以實時評估軸承的退化程度，及時更換不滿足要求的軸承，避免由于軸承故障所引起的故障級聯傳播。對設備預測性維護具有重要的指導意義。

傳統的基于數據驅動（Data?Driven，DD）的軸承RUL預測方法主要有基于統計數據驅動方法和基于機器學習（Machine Learning，ML）的方法。DD類方法一般分為以下兩個步驟：（1）根據檢測數據特性構建退化量；（2）建立預測模型，通過退化量進行RUL預測。退化量一般基于軸承振動加速度及其他檢測數據，提取其中能表征軸承退化過程的特征構建。預測模型研究主要有基于gamma[1]過程和winner[2]過程的統計數據驅動方法，以及基于支持向量機（Support Vector Machine，SVM）和深度學習（Deep Learning，DL）等ML的方法。

文獻[3]采用提取振動加速度信號中提取16個時域特征指標、13個頻域特征指標，通過核主成分分析進行融合，最終采用最小二乘支持向量機（Least Square Support Vector Machine，LSSVM）實現軸承RUL預測。文獻[4]提取14種時、頻域特征，使用相關系數法簡約特征，作為BP 神經網絡（BP Neural Network，BPNN）模型的輸入完成了軸承RUL預測。以上方法都是人工提取特征的方法需要先驗知識，而且需要融合特征。此類特征提取方法不但繁瑣而且需要大量先驗知識支撐。相較于BP神經網絡，卷積神經網絡（Convolutional Neural Network，CNN）有獨特的權值共享及下采樣特征降維特性，有著良好的特征提取能力[5]。……