基于數據對齊的深度ANN機械壽命預測

吳 濤，馬 馳

（1.中國神華國際工程有限公司鄂爾多斯分公司，內蒙古 鄂爾多斯 017000；2.中國礦業大學機電工程學院，江蘇 徐州 221008）

1 引言

旋轉機械的壽命預測作為機械故障診斷的核心環節，近幾年結合深度智能得到了廣泛的研究［1-2］。在工業、航空、航天、航海等重要領域中，對越來越強調可靠性的今天，旋轉機械的故障診斷與壽命預測顯得更為關鍵［3-4］。機械剩余使用壽命（Remaining Useful Life，RUL）預測更是研究的重中之重［5］。

在過去的幾年中，軸承剩余壽命預測方法包括深度學習、向量回歸、差分整合移動平均自回歸模型等數據驅動方法因其易于實現、響應速度快、預測前景好等優點得到了廣泛的發展，并取得了一系列研究成果［6-8］。文獻［9］利用深度學習和頻域特征重構一種新的評估指標。文獻［10］提出了一種利用差分整合移動平均自回歸模型預測軸承的剩余壽命。另外文獻［11］提出一種基于多小波支持向量機與深度學習結合的小樣本條件下的軸承剩余壽命預測。

盡管在數據驅動的預測方面取得了進展，但是仍舊存在兩個問題未被解決：（1）預測起始時間（Prediction Start Time，PST）的確定。傳統方法中將所收集的數據與剩余壽命值之間進行直接建模，其對應規則往往是時變的，因此失效初始時刻即首次預測時間的確定將對預測精度影響較大，但是該時間的確定仍主要依賴于峰度等常規特征，限制了預測精度的提升。（2）實體間的數據分布差異數據驅動方法的成功主要依賴于訓練和測試數據來自同一分布的假設。……