结合CNN 和LSTM 的滚动轴承剩余使用寿命预测方法∗

王玉静，李少鹏，康守强，谢金宝，MIKULOVICH V I

（1.哈尔滨理工大学电气与电子工程学院 哈尔滨，150080）（2.白俄罗斯国立大学 明斯克，220030）

引言

当前，滚动轴承广泛应用于众多旋转机械设备中，为保障设备的安全可靠运行发挥着重要的作用，一旦发生故障，将会导致一系列负面影响，比如延长停机时间、造成恶性事故等［1‐3］。因此，准确地预测轴承剩余使用寿命对旋转机械的预防性维修决策意义重大［4‐5］。现有的故障预测和健康管理方法可分为3 大类：基于物理模型方法、数据驱动方法和二者混合的方法［6］。其中，数据驱动方法根据历史传感器数据对退化特性进行建模，应用范围非常广泛，而深度学习［7］作为数据驱动方法的一种，已在各领域得到一定应用。

文献［8］提出一种时域和频域特征相结合的多轴承RUL 协同预测的集成深度学习方法，实验结果证明了该方法的有效性。文献［9］提出基于深度自编码器（deep auto encoder，简称DAE）的RUL 预测方法，通过提取时域、频域及时频域的联合特征，有效地描述了轴承退化过程，验证了方法的有效性。文献［10］将来自小波系数的峰值和均方根（root mean square，简称RMS）值输入到循环神经网络（recurrent neural network，简称RNN）模型中以达到预测轴承RUL 的目的。文献［11］提出将经验模态分解获得的固有模态函数能量熵之和作为状态特征，利用LSTM 网络进行机械状态单步预测，获得了良好的效果。CNN 在机械设备故障诊断领域中应用较为广泛，具有权值共享、卷积操作和空间池化等特性，能够挖掘大量数据中的深层特征。……