基于卷积神经网络的滚动轴承故障诊断与剩余寿命预测研究

基于深度神经网络的滚动轴承故障诊断和寿命预测方法研究基于深度神经网络的滚动轴承故障诊断和寿命预测方法研究摘要：滚动轴承是旋转机械中常用的零部件，其性能直接影响到机械系统的可靠性和安全性。

针对滚动轴承故障诊断和寿命预测的需求，本文提出了一种基于深度神经网络的方法。

首先，利用加速度传感器采集滚动轴承的振动信号，并通过预处理对信号进行滤波和去噪处理，以提高信号的可用性。

然后，将处理后的信号作为深度神经网络的输入，通过网络学习轴承在不同工况下的特征表达，实现对滚动轴承的故障诊断。

最后，基于滚动轴承的生命周期数据，利用深度神经网络进行寿命预测，并通过实验证明了该方法的准确性和可行性。

关键词：滚动轴承；深度神经网络；故障诊断；寿命预测；数据预处理1. 引言滚动轴承是常见的旋转机械元件，广泛应用于工业生产和日常生活中。

由于工作环境的恶劣和长时间高速运转，滚动轴承容易出现疲劳、损伤和故障等问题，严重影响机械系统的正常运行。

因此，准确地进行滚动轴承故障诊断和寿命预测对于提高机械系统的可靠性和安全性至关重要。

2. 深度神经网络的基本原理深度神经网络是一种模拟人脑神经元网络结构的人工神经网络，具有强大的特征提取和学习能力。

其基本原理是通过多个神经网络层次的组合和连续非线性变换，实现对输入数据的高层次抽象和表示，从而实现对复杂问题的有效建模和预测。

3. 数据采集和预处理本研究采用加速度传感器对滚动轴承进行振动信号的采集，以获取轴承工作状态下的振动特征。

然后，对采集到的信号进行预处理，包括滤波和去噪处理等，以提高信号的可用性。

4. 故障诊断将处理后的振动信号作为深度神经网络的输入，通过网络学习轴承在不同工况下的特征表达。

对于给定的滚动轴承，通过与已知故障轴承的对比学习，实现对滚动轴承故障的准确诊断。

5. 寿命预测基于滚动轴承的生命周期数据，利用深度神经网络进行寿命预测。

首先，对样本数据进行预处理和特征提取。

然后，通过网络学习轴承的寿命分布规律，并根据当前轴承的状态进行预测。

基于卷积神经网络的滚动轴承故障诊断算法研究基于卷积神经网络的滚动轴承故障诊断算法研究摘要：滚动轴承作为机械设备中重要的零部件之一，其状态的检测和故障的诊断对于设备的运行稳定性和可靠性具有重要意义。

本文基于卷积神经网络（Convolutional Neural Network，CNN），研究了一种滚动轴承故障诊断算法，通过分析滚动轴承信号的特征，构建了一个用于滚动轴承故障诊断的卷积神经网络模型，并进行了实验验证。

实验结果表明，基于卷积神经网络的滚动轴承故障诊断算法具有较高的准确性和鲁棒性。

1. 引言随着工业技术的不断发展，滚动轴承广泛应用于各种机械设备中，如风力发电机组、电动机、飞机引擎等。

滚动轴承的故障往往会导致设备的停止运行，给企业带来巨大的经济损失，因此滚动轴承的状态检测和故障诊断显得尤为重要。

2. 相关工作目前，滚动轴承故障诊断技术主要分为几个方向：时间域分析、频域分析和时频域分析。

时间域分析是指通过分析信号在时间轴上的波形来判断滚动轴承的状态。

频域分析是指通过计算信号的频谱来判断滚动轴承的状态。

时频域分析是时间域分析和频域分析的结合，对滚动轴承的故障有更准确的判断。

3. 基于卷积神经网络的滚动轴承故障诊断算法卷积神经网络是一种深度学习算法，它模拟了人脑神经元之间的相互连接和信息传递过程。

本文基于卷积神经网络，提出了一种滚动轴承故障诊断算法。

3.1 数据采集首先，我们需要采集滚动轴承的振动信号作为训练数据，通过加速度计等传感器获取滚动轴承的振动信号，并对信号进行采样和预处理。

3.2 特征提取接下来，我们需要从采集的振动信号中提取有用的特征。

常用的滚动轴承特征包括频域特征（如频谱图）、时域特征（如时域波形）和时频域特征（如小波包能量谱），这些特征能够反映滚动轴承的状态信息。

3.3 卷积神经网络模型构建基于特征提取的结果，我们构建一个卷积神经网络模型用于滚动轴承故障诊断。

该模型包括卷积层、池化层和全连接层等组件，通过训练数据对网络模型进行优化。

No. 10Ocr.2020第10期2020年10月组合机床与自动化加工技术Modular Machine Tool & Automatic Manufacturing Techninue文章编号 #1001 -2265（2020）10 -0168 -04DOI ：10.13462/j. cnkA mmtwnf 2020.10. 040基于多尺度卷积神经网络的轴承剩余寿命预测*孙鑫2,孙维堂1（1.中国科学院沈阳计算技术研究所，沈阳110168；2.中国科学院大学，北京100049）摘要:针对滚动轴承剩余寿命难预测的情况，在分析了轴承原始信号特征提取困难的基础上，提出 了基于多尺度卷积神经网络的轴承剩余寿命预测方法。

该方法将原始振动加速度信号作为输入， 依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这4部分进行处理，最 后输出预测的剩余寿命。

同时提出了一种新型的改进均方误差作为网络的损失函数，取得了较好 的效果。

通过对轴承寿命预测实验的测试数据进行预测分析，该方法能够有效的预测轴承的剩余寿命。

关键词：多尺度;卷积神经网络;轴承;剩余寿命;损失函数中图分类号:TH113 :TG502 文献标识码：AResearch on Remaining Life Prediction of Bearing Based on Multi-scaleConvolution Neural Network SUN XA 1'2 ,SUN WeiAang 1(1. Shenyang Institute of Computing Technolocy , Chinese Academy of Science , Shenyang 110168, China ；2. China University of Chinese Academy of Sciences , Beijing 100049, China )Abstrach : It is dbfbuit to predict the remaining life of rolling bearings , because the original signal charac-herishicsofro ing bearingsarenohobvious , amehhod forprediching hheremaining ifeofbearingsbased on multi-scale convolutional neural nethorks has been proposed. This method tales the original vibration ac- ceerahion signa1asinpuh , and hhen proce s esihhhrough fourparhs ： sha 1owfeahureexhrachion modu e , deepfeahureexhrachion modu e , dahafusion modu eand ouhpuhmodu e , fina 1y ouhpuhshheprediched remaining lbe. At the same time , an improved mean square error was proposed as a los s function , which achieved good results. By predicting and analyzing the test data of the bearing life prediction experiment , thb meths od can &f chiv&ly pr&dichhh&r&maining lif ofhh&b&aring.Key worde ： mulhiscal ； convoluhionaln&uraln&hwork ； b&aring ； r&maining lif ； lo s funchion0引言当今社会科技不断进步，数控行业快速发展,为了 满足生产的需求,机械设备需要不停的运转,然而设备 的长时间运行会出现老化的现象，滚动轴承作为机械 设备最重要的零件之一，老化现象尤其显著，所以建立 滚动轴承剩余寿命预测模型，实时的评估轴承的损坏 程度,根据机械的使用要求，及时制定轴承维修策略, 对保证机械设备健康稳定运行具有重要的意义％目前,许多专家学者对滚动轴承的剩余寿命预测 技术进行了研究，雷亚国等⑴从轴承原始振动信号中 提取大量特征，然后经过特征选择和融合获得新的特 征指标，采用粒子滤波的方式预测轴承的剩余寿命。

基于神经网络的球轴承剩余寿命预测一、本文概述随着工业自动化的快速发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到整个机械系统的性能和安全性。

因此，对球轴承的剩余寿命进行准确预测，对预防设备故障、提高生产效率和维护设备安全具有重要意义。

近年来，随着和深度学习技术的兴起，神经网络模型在寿命预测领域展现出了强大的潜力和优势。

本文旨在探讨基于神经网络的球轴承剩余寿命预测方法，旨在为工业界和学术界提供一种新的、有效的预测工具。

本文首先介绍了球轴承剩余寿命预测的背景和重要性，指出了传统预测方法存在的问题和挑战。

接着，详细阐述了神经网络的基本原理和常用模型，包括前馈神经网络、卷积神经网络和循环神经网络等，并分析了它们在球轴承寿命预测中的适用性。

在此基础上，本文提出了一种基于神经网络的球轴承剩余寿命预测模型，并详细介绍了模型的构建过程、训练方法和评估指标。

通过对比实验和案例分析，本文验证了所提模型的有效性和优越性。

实验结果表明，该模型能够准确预测球轴承在不同工况下的剩余寿命，且预测结果具有较高的精度和稳定性。

本文还讨论了模型在实际应用中可能面临的挑战和解决方案，为未来的研究提供了有益的参考。

本文研究了基于神经网络的球轴承剩余寿命预测方法，为设备维护和管理提供了一种新的解决方案。

本文的研究成果不仅有助于推动神经网络在寿命预测领域的应用和发展，也为工业界和学术界提供了一种有效的工具，有助于提高生产效率和设备安全性。

二、神经网络基础知识神经网络，又被称为人工神经网络（Artificial Neural Networks, ANN），是一种模拟人脑神经元连接和通讯方式的计算模型。

它的基础在于构建一个由大量简单处理单元（即神经元）相互连接而成的网络，每个处理单元接收输入信号，经过一定的计算后输出信号到下一个处理单元，最终得到整个网络的输出结果。

神经网络具有强大的自学习和自适应能力，能够从大量数据中学习并提取出有用的信息。

基于马尔科夫转移场和卷积神经网络的滚动轴承故障诊断方法研究基于马尔科夫转移场和卷积神经网络的滚动轴承故障诊断方法研究摘要：滚动轴承是许多机械设备的重要部件，其故障对设备的正常运行产生严重影响。

因此，准确、快速地进行滚动轴承故障诊断具有重要意义。

本研究提出了一种基于马尔科夫转移场和卷积神经网络的滚动轴承故障诊断方法，为滚动轴承故障诊断提供了新思路。

1. 引言滚动轴承广泛应用于各类机械设备中，包括风力发电机组、列车、汽车等。

然而，由于工作环境的恶劣和长期运行，滚动轴承常常会出现故障，导致设备的停机和损坏。

因此，滚动轴承的故障诊断对于设备的安全运行至关重要。

2. 相关研究在滚动轴承故障诊断领域，已经有一些研究采用了不同的方法。

其中，频域分析方法通常用于提取故障特征，并基于统计学方法进行故障诊断。

时域分析方法则根据振动信号的时域特征来进行诊断。

然而，这些方法普遍存在一些问题，如对信号幅值和噪声的敏感性高、特征提取复杂等。

3. 方法介绍本研究提出了一种基于马尔科夫转移场和卷积神经网络的滚动轴承故障诊断方法。

该方法首先基于故障振动信号构建了马尔科夫转移场模型，通过对信号进行状态划分和状态转移概率计算。

然后，使用卷积神经网络对转移场模型进行特征学习和故障分类。

3.1 马尔科夫转移场模型马尔科夫转移场模型是一种能够描述随机过程状态转移概率的数学模型。

在本研究中，我们将滚动轴承振动信号划分为多个状态，并计算各状态之间的转移概率。

通过建立转移概率矩阵，可以得到每个状态之间的转移关系，从而获取滚动轴承振动信号的转移场模型。

3.2 卷积神经网络卷积神经网络（CNN）是一种深度学习神经网络，它可以自动地从数据中学习特征并进行分类。

在本研究中，我们将采用CNN对马尔科夫转移场模型进行特征学习和故障分类。

通过训练大量的滚动轴承振动信号样本，CNN可以学习到特征并将其与不同故障进行关联，从而实现故障的准确诊断。

4. 实验与结果分析为了评估所提出的方法的性能，我们对一组滚动轴承振动信号进行了实验。

基于卷积神经网络的小样本滚动轴承故障诊断方法研究基于卷积神经网络的小样本滚动轴承故障诊断方法研究摘要：随着工业领域的发展，滚动轴承作为重要的机械元件扮演着关键的角色。

然而，轴承故障的及时检测和诊断一直是工程师们面临的挑战。

本研究旨在通过使用卷积神经网络（CNN）来开发一种基于小样本的滚动轴承故障诊断方法，以提高轴承故障的检测准确性。

1. 引言滚动轴承作为机械设备中最常见的一种零部件，广泛应用于各种机械装置中。

然而，由于工作环境的复杂性和长期使用的磨损，轴承很容易发生故障，导致设备的故障和停机，进而带来重大经济损失。

因此，轴承故障的及早检测和诊断对于保障设备的正常运行至关重要。

2. 相关工作过去的研究主要采用传统的特征提取方法和机器学习算法来进行轴承故障的诊断。

然而，这些方法需要大量的样本数据以训练模型，并且对于小样本的情况表现欠佳。

而卷积神经网络（CNN）作为一种深度学习算法，具有自动学习特征的能力，可以通过少量的样本训练出高准确性的模型，因此在滚动轴承故障诊断中具有潜力。

3. 数据采集和预处理在本研究中，我们使用传感器采集到的轴承振动信号作为输入数据。

首先，对原始信号进行频谱分析，提取频域特征。

然后，通过滑动窗口法将信号划分为多个时间序列片段，并将其转化为图像形式作为CNN的输入。

4. 卷积神经网络模型本研究中设计了一个包含多个卷积层和全连接层的CNN架构。

卷积层用于提取输入图像的局部特征，而全连接层则将提取的特征进行分类和识别。

通过反向传播算法进行训练和优化，以达到准确预测轴承故障的目的。

5. 实验结果和分析我们在一个小样本数据集上进行了实验验证。

结果表明，基于卷积神经网络的滚动轴承故障诊断方法在小样本情况下具有较高的准确性和可靠性。

与传统的特征提取方法相比，该方法在滚动轴承故障诊断中具有更好的表现。

6. 结论本研究成功地开发了一种基于卷积神经网络的小样本滚动轴承故障诊断方法，证明了其在轴承故障诊断中的有效性。

基于改进一维卷积神经网络的滚动轴承故障智能诊断方法基于改进一维卷积神经网络的滚动轴承故障智能诊断方法摘要：滚动轴承是旋转机械中常用但容易受损的零部件之一。

准确诊断滚动轴承的故障情况对于确保机械设备的正常运行和预防故障具有重要意义。

为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。

该方法将滚动轴承振动信号转化为时域数据，通过一维卷积神经网络对其进行特征提取和故障分类，实现对滚动轴承故障的智能诊断。

1. 引言滚动轴承是各种旋转机械中常见的核心部件之一，其工作稳定性和可靠性直接影响着机械设备的运行效果。

然而，由于工作环境的复杂性和长时间使用的磨损，滚动轴承容易出现各种故障，如疲劳裂纹、滚珠脱落等。

因此，准确诊断滚动轴承的故障情况对于预防机械故障、提高设备可靠性具有重要意义。

2. 传统滚动轴承故障诊断方法的问题传统滚动轴承故障诊断方法主要依赖于专家经验和信号处理技术。

然而，这些方法存在着以下几个问题：（1）对于大规模滚动轴承数据的处理效率较低；（2）诊断结果依赖于专家的经验；（3）对于不同种类的故障缺乏普适性。

3. 基于改进一维卷积神经网络的滚动轴承故障诊断方法为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。

该方法的主要步骤如下：3.1 数据采集与预处理首先，采集滚动轴承的振动信号，并对其进行预处理。

预处理包括滤波、去除噪声等步骤，以提高信号的质量和清晰度。

3.2 数据转换和特征提取将预处理后的振动信号转换为时域数据，并提取其特征。

本文选取了多种特征参数，包括均值、标准差、峰值等，以全面描述滚动轴承的故障情况。

3.3 改进一维卷积神经网络模型本文在传统的一维卷积神经网络（CNN）模型的基础上，进行了一定的改进。

首先，引入残差连接（Residual Connection）机制，以避免梯度消失和过拟合问题。

“滚动轴承剩余使用寿命预测方法”资料合集目录一、基于SKFKFBayes的滚动轴承剩余使用寿命预测方法二、基于Transformer模型的滚动轴承剩余使用寿命预测方法三、滚动轴承剩余使用寿命预测方法的研究四、基于注意力TCN的滚动轴承剩余使用寿命预测方法五、结合CNN和LSTM的滚动轴承剩余使用寿命预测方法六、基于SVR的滚动轴承剩余使用寿命预测方法研究七、基于自注意力CNNBiLSTM的滚动轴承剩余使用寿命预测方法八、基于SKFKFBayes的滚动轴承剩余使用寿命预测方法九、结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究基于SKFKFBayes的滚动轴承剩余使用寿命预测方法引言滚动轴承作为各种机械设备中的关键组件，其正常运行对于设备的性能和安全性具有重要意义。

然而，滚动轴承在运行过程中会受到各种因素的影响，其使用寿命会逐渐降低。

因此，对滚动轴承的剩余使用寿命进行准确预测具有重要意义，有助于及时进行维护和更换，避免设备在生产过程中出现停机等不良情况。

在本文中，我们将介绍一种基于SKFKBayes的滚动轴承剩余使用寿命预测方法，并详细阐述其原理和实现过程。

关键词滚动轴承、剩余使用寿命、预测、SKFKBayes、贝叶斯定理、概率统计预备知识滚动轴承是一种在机械设备中广泛应用的组件，包括轴承内外圈、滚动体和保持架等部分。

当滚动轴承发生故障时，可能会导致设备性能下降、振动和噪声增加，严重时甚至可能引发事故。

因此，对滚动轴承的使用寿命进行预测有助于及时采取维护措施，避免不良后果。

在滚动轴承的使用寿命预测中，一般采用基于概率统计的方法。

通过对大量滚动轴承样本进行寿命试验，得到其寿命分布规律，并利用数理统计原理对未知轴承的剩余使用寿命进行预测。

SKFKBayes方法SKFKBayes方法是一种基于贝叶斯定理的使用寿命预测方法。

其主要思想是通过建立滚动轴承的寿命模型，利用先验概率和样本信息计算后验概率，从而对未知轴承的剩余使用寿命进行预测。

ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＳｔｒｅｎｇｔｈ２０２２，４４（４）：７６３⁃７７１ＤＯＩ：１０ １６５７９／ｊ．ｉｓｓｎ．１００１ ９６６９ ２０２２ ０４ ００１∗２０２１０１０５收到初稿，２０２１０１２６收到修改稿㊂上海市自然科学基金项目（２０ＺＲ１４１４４００）资助㊂∗∗徐海铭，男，１９９６年１０月生，江苏淮安人，汉族，华东理工大学机械与动力工程学院硕士，研究方向为故障诊断㊁信号处理㊂∗∗∗章兰珠（通信作者），女，１９７１年１１月生，上海市人，汉族，华东理工大学机械与动力工程学院教授，博士，研究方向为信号处理㊁密封技术㊂基于深度可分离卷积神经网络轴承剩余寿命预测∗ＢＥＡＲＩＮＧＲＥＭＡＩＮＩＮＧＬＩＦＥＰＲＥＤＩＣＴＩＯＮＢＡＳＥＤＯＮＤＥＥＰＳＥＰＡＲＡＢＬＥＣＯＮＶＯＬＵＴＩＯＮＡＬＮＥＵＲＡＬＮＥＴＷＯＲＫ徐海铭∗∗㊀夏乔阳㊀李㊀勇㊀㊀章兰珠∗∗∗（华东理工大学机械与动力工程学院，上海２００２３７）ＸＵＨａｉＭｉｎｇ㊀ＸＩＡＱｉａｏＹａｎｇ㊀ＬＩＹｏｎｇ㊀ＺＨＡＮＧＬａｎＺｈｕ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＥａｓｔＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２００２３７，Ｃｈｉｎａ）摘要㊀为进行轴承剩余寿命（ＲｅｍａｉｎｉｎｇＵｓｅｆｕｌＬｉｆｅ，ＲＵＬ）预测，采用小波⁃谱峭度分析方法，首先对轴承振动序列信号进行小波包分解，并以谱峭度作为指标，确定故障特征频带并进行信号重构，然后，根据其频谱特征判断轴承是否发生故障，最终确定轴承振动序列信号的初始故障点（ＩｎｃｉｐｉｅｎｔＦａｕｌｔＰｏｉｎｔ，ＩＦＰ）㊂在此基础上，将引入注意力（Ａｔｔｅｎｔｉｏｎ）机制的一维深度可分离卷积神经网络用于轴承初始故障点之后振动信号特征的提取，相比传统卷积神经网络，深度可分离卷积层可减少网络训练参数个数，加快网络训练速度㊂实验结果表明，注意力机制的引入使网络能够聚焦信号中关键的特征，为重要特征赋予较大权重，避免人工处理特征的不足，利于有效特征提取，最终预测结果好于ＳＶＲ㊁ＣＮＮ㊁ＲＮＮ等常用数据驱动方法㊂关键词㊀深度可分离卷积㊀注意力机制㊀神经网络㊀初始故障点㊀剩余寿命预测中图分类号㊀ＴＨ１３３ ３㊀ＴＰ２０６＋．３Ａｂｓｔｒａｃｔ㊀Ｉｎｏｒｄｅｒｔｏｐｒｅｄｉｃｔｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅ（ＲＵＬ）ｏｆｂｅａｒｉｎｇｓ，ｔｈｅｗａｖｅｌｅｔ⁃ｓｐｅｃｔｒａｌｋｕｒｔｏｓｉｓａｎａｌｙｓｉｓｍｅｔｈｏｄｉｓｕｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｅｑｕｅｎｃｅｓｉｇｎａｌｉｓｄｅｃｏｍｐｏｓｅｄｂｙｗａｖｅｌｅｔｐａｃｋｅｔ，ｔｈｅｓｐｅｃｔｒａｌｋｕｒｔｏｓｉｓｉｓｃｈｏｓｅｎｔｏｄｅｔｅｒｍｉｎｅｔｈｅｆａｕｌｔｃｈａｒａｃｔｅｒｉｓｔｉｃｆｒｅｑｕｅｎｃｙｂａｎｄａｎｄｒｅｃｏｎｓｔｒｕｃｔｅｄｔｈｅｓｉｇｎａｌ．Ｔｈｅｎ，ｄｅｔｅｒｍｉｎｅｗｈｅｔｈｅｒｔｈｅｂｅａｒｉｎｇｉｓｆａｕｌｔｙａｃｃｏｒｄｉｎｇｔｏｉｔｓｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｌａｓｔｌｙ，ｔｈｅｉｎｃｉｐｉｅｎｔｆａｕｌｔｐｏｉｎｔ（ＩＦＴ）ｏｆｔｈｅｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｅｑｕｅｎｃｅｓｉｇｎａｌｉｓｄｅｔｅｒｍｉｎｅｄ．Ｏｎｔｈｉｓｂａｓｉｓ，ｔｈｅｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｄｅｅｐｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｕｓｅｄｆｏｒｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｉｇｎａｌｆｅａｔｕｒｅｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ｄｅｅｐｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｌａｙｅｒｓｃａｎｒｅｄｕｃｅｔｈｅｎｕｍｂｅｒｏｆｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｐａｒａｍｅｔｅｒｓａｎｄｓｐｅｅｄｕｐｎｅｔｗｏｒｋｔｒａｉｎｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｅｎａｂｌｅｓｔｈｅｎｅｔｗｏｒｋｔｏｆｏｃｕｓｏｎｔｈｅｋｅｙｆｅａｔｕｒｅｓｉｎｔｈｅｓｉｇｎａｌ，ａｓｓｉｇｎｇｒｅａｔｅｒｗｅｉｇｈｔｔｏｉｍｐｏｒｔａｎｔｆｅａｔｕｒｅｓ，ａｖｏｉｄｔｈｅｓｈｏｒｔａｇｅｏｆｍａｎｕａｌｐｒｏｃｅｓｓｉｎｇｆｅａｔｕｒｅｓ，ａｎｄｆａｃｉｌｉｔａｔｅｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｆｉｎａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｒｅｂｅｔｔｅｒｔｈａｎｃｏｍｍｏｎｄａｔａ⁃ｄｒｉｖｅｎｍｅｔｈｏｄｓｓｕｃｈａｓＳＶＲ，ＣＮＮ，ａｎｄＲＮＮ．Ｋｅｙｗｏｒｄｓ㊀Ｄｅｅｐｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎ；Ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；Ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｉｎｃｉｐｉｅｎｔｆａｕｌｔｐｏｉｎｔ（ＩＦＰ）；Ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅ（ＲＵＬ）ｐｒｅｄｉｃｔｉｏｎＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＺＨＡＮＧＬａｎＺｈｕ，Ｅ⁃ｍａｉｌ：ｌｚｚｈａｎｇ＠ｅｃｕｓｔ．ｅｄｕ．ｃｎ，Ｆａｘ：＋８６⁃２１⁃６４２５３０３６ＴｈｅｐｒｏｊｅｃｔｓｕｐｐｏｒｔｅｄｂｙｔｈｅＳｈａｎｇｈａｉＭｕｎｉｃｉｐａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎ（Ｎｏ．２０ＺＲ１４１４４００）．Ｍａｎｕｓｃｒｉｐｔｒｅｃｅｉｖｅｄ２０２１０１０５，ｉｎｒｅｖｉｓｅｄｆｏｒｍ２０２１０１２６．㊀㊀引言在工业生产中，轴承作为重要的工业基础件被广泛应用于各类旋转机械中，承担着旋转机构工作过程中的大部分载荷㊂同时，轴承是易损部件之一，任何故障的发生都可能导致机器损坏㊁财产损失甚至发生安全事故，为减少因机械设备故障导致的一系列损失，有必要进行轴承ＲＵＬ预测以实现轴承的故障预测与健康管理［１］㊂目前，轴承ＲＵＬ预测方法主要分为两类：模型计㊀７６４㊀机㊀㊀械㊀㊀强㊀㊀度２０２２年㊀算方法与数据驱动方法㊂其中，模型计算方法较为传统，该方法预测的有效性取决于轴承数学模型建立的准确性，但由于轴承工作过程中工况复杂㊁参数较多，因此建立准确的数学模型较为困难［２⁃４］㊂与之相比，数据驱动方法只需要根据轴承振动信号就可进行ＲＵＬ预测，对轴承理论知识要求较低且该方法具有普适性㊂近年来，众多基于数据驱动的轴承ＲＵＬ预测方法被提出，且取得了良好的预测效果，其中基于神经网络的数据驱动方法已成为目前轴承ＲＵＬ预测的主流方法㊂部分数据驱动方法需要计算轴承振动信号中ＲＭＳ㊁峰度㊁峭度等统计特征量，并将统计特征量作为神经网络的输入进行模型训练，利用训练所得模型进行轴承ＲＵＬ预测［５］９８⁃１０９［６］㊂此类方法预测效果良好，但仍然存在以下缺点㊂首先，在轴承振动信号的时域㊁频域或时频域中提取大量统计特征量后，研究人员需要对提取的特征量进行处理和筛选㊂一方面，不同的特征量有不同的取值范围，这导致模型训练过程中各个特征量的贡献度不同；另一方面，人为筛选统计特征量时，部分有用的特征量可能会被剔除，部分无用甚至不利于ＲＵＬ预测的特征量可能会被保留［７］㊂因此，统计特征量的处理和筛选方式对ＲＵＬ预测的准确性有着重要影响㊂其次，部分研究利用轴承完整生命周期内的振动数据进行神经网络训练，未考虑轴承的状态变化对ＲＵＬ预测的影响，轴承由健康工作状态转变为故障状态的分界点被称为初始故障点［８］㊂若轴承振动数据在初始故障点之前，说明该轴承未出现故障或故障不明显，若在初始故障点之后，说明轴承故障已较为明显且将进一步加重㊂故障初始点之后的振动数据能更好地反映出轴承故障特征，有利于轴承ＲＵＬ预测［９⁃１１］㊂初始故障点的确定较为困难，同种轴承在不同工况下会出现不同的故障，且故障程度不同，需要逐个轴承进行分析㊂最后，部分研究只关注轴承最终时刻的ＲＵＬ预测结果，而未考虑轴承生命周期内ＲＵＬ预测结果的变化趋势㊂轴承ＲＵＬ预测值与真实值之间必定存在差异，仅考虑最终时刻的ＲＵＬ预测值无法评估预测结果的合理性㊂因此，不仅需要考虑轴承最终时刻的ＲＵＬ预测结果，还需综合考虑其余时间点的预测结果，根据ＲＵＬ预测结果的整体变化趋势来判断预测结果是否合理㊂针对上述三个问题，本次研究利用小波⁃谱峭度分析的方法确定轴承初始故障点，避免无故障数据对网络特征学习产生的干扰；在此基础上，将基于一维深度可分离卷积和注意力机制的神经网络应用到轴承信号特征的提取中，加快了网络训练速度，避免了人工进行统计特征量的提取，同时为重要特征赋予较大权重，提高轴承ＲＵＬ预测的准确性㊂１㊀预备知识１ １㊀小波包分析多分辨率分析是小波分析的重要组成部分，其基本思想是将信号在不同的尺度空间上展开，将低频信号进一步分解为低频信号（近似部分）和高频信号（细节部分），但是并未对高频信号进行进一步分解，因此多分辨率分析中的高频部分频率分辨率较差，低频部分时间分辨率不佳㊂小波包分析在多分辨率分析的基础上进行了改进，其能够根据信号特征自适应选择频段，同时将信号的高低频带进行划分，提高了信号的时频分辨率［１２］㊂小波包分解算法如下ｄｊ，２ｎｌ＝ðｋｈｋ－２ｌｄｊ＋１，ｎｋｄｊ，２ｎ＋１ｌ＝ðｋｇｋ－２ｌｄｊ＋１，ｎｋìîíïïïï（１）其中，ｈｋ和ｇｋ分别代表低通和高通滤波器系数㊂以三层小波包分解为例，说明小波包分析的具体过程，图１表示信号的三层小波包分解与重构㊂原始信号经低通滤波器（Ｌｏｗ⁃ｐａｓｓＦｉｌｔｅｒ，ＬＦ）和高通滤波器（Ｈｉｇｈ⁃ｐａｓｓＦｉｌｔｅｒ，ＨＦ）被分解为低频近似部分（Ａ）和高频细节部分（Ｄ）㊂其中， Ａ 代表信号的低频部分， Ｄ 代表信号的高频部分，数字代表尺度系数（分解层数）㊂例如，ＤＡＡ３代表处于ｆｓ／１６ ｆｓ／８频率范围中的信号，ｆｓ表示信号的采样率㊂原始信号经小波包分解后，可通过设定临界阈值对分解系数进行降噪，并进行信号重构以提高信号的信噪比，利于进一步分析㊂１ ２㊀一维深度可分离卷积神经网络一维卷积神经网络被广泛应用于自然语言处理㊁工程信号分析等方面，因卷积层的存在，网络可实现信号特征的自动提取，避免人为进行特征筛选，且应用效果良好［１３⁃１４］㊂一维深度可分离卷积神经网络是传统卷积神经网络的一种改进，利用该结构可减少模型训练中的参数个数，降低计算量，提高模型训练速度㊂深度可分离卷积由深度卷积（Ｄｅｐｔｈｗｉｓｅｃｏｎｖｏｌｕｔｉｏｎ，ＤＷＣｏｎｖ）和点态卷积（Ｐｏｉｎｔｗｉｓｅｃｏｎｖｏｌｕｔｉｏｎ，ＰＷＣｏｎｖ）两部分组成㊂假设输入数据大小为７ˑ１＠３（＠后的数字代表输入通道数），首先进行深度卷积，因输入通道数为３，则用３个３ˑ１＠１卷积核进行卷积运算，特征图输出为５ˑ１＠３，深度卷积过程的计算量为１ˑ３ˑ３ˑ５＝４５，参数训练个数为１ˑ３ˑ３＝９；接着进行点态卷积，若要得１６个特征量，则需应用１６个１ˑ１＠３卷积核进行卷积运算，最终特㊀第４４卷第４期徐海铭等：基于深度可分离卷积神经网络轴承剩余寿命预测７６５㊀㊀图１㊀信号的三层小波包分解与重构图Ｆｉｇ．１㊀Ｔｈｒｅｅ⁃ｌａｙｅｒｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｓｉｇｎａｌ征图输出为５ˑ１＠１６，点态卷积过程的计算量为１ˑ３ˑ５ˑ１６＝２４０，参数训练个数为３ˑ１６＝４８㊂由上述计算可知，深度可分离卷积神经网络训练过程的计算总量为２８５，参数总数为５７，具体过程如图２所示㊂若进行传统卷积，计算总量为１ˑ３ˑ３ˑ５ˑ１６＝７２０，参数总数为１ˑ３ˑ３ˑ１６＝１４４，远高于深度可分离卷积的计算量与参数训练个数㊂因此，相比传统卷积，深度可分离卷积可有效减少计算量，降低参数训练个数，加快模型训练速度㊂图４㊀空间注意力模块构建过程Ｆｉｇ．４㊀Ｓｐａｔｉａｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅｃｏｎｓｔｒｕｃｔｉｏｎｐｒｏｃｅｓｓ图２㊀深度可分离卷积神经网络计算过程Ｆｉｇ．２㊀Ｃａｌｃｕｌａｔｉｏｎｐｒｏｃｅｓｓｏｆｄｅｅｐｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ１ ３㊀注意力机制因网络结构限制，卷积层进行数据处理时赋予各部分特征相同的权重，导致模型训练过程中无侧重点㊂本次研究引入注意力机制模块，注意力机制模块为每个特征赋予不同的权重，且重要的特征相对于次要的特征具有较大的权重，使模型训练时能够关注重要特征，抑制次要特征，提升模型的预测效果［１５］㊂注意力机制模块分为通道注意力模块和空间注意力模块㊂通道注意力模块首先在空间方向上分别对输入特征进行全局平均池化和全局最大池化，以实现特征在空间维度上的压缩㊂在此基础上，将池化层的输出特征作为全连接层的输入，进行权重系数计算㊂最后将两全连接层的输出相加并使用Ｓｉｇｍｏｉｄ激活函数归一化至（０，１）上，即可得到通道注意力模块权重系数㊂将权重系数和输入特征相乘可得到通道方向的注意力机制输出特征，通道注意力模块构建过程如图３所示㊂图３㊀通道注意力模块构建过程Ｆｉｇ．３㊀Ｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅｃｏｎｓｔｒｕｃｔｉｏｎｐｒｏｃｅｓｓ空间注意力模块首先在通道方向上对通道注意力模块的输出特征进行全局平均池化和全局最大池化，然后将两者拼接，并进行卷积操作，最后使用Ｓｉｇｍｏｉｄ激活函数进行归一化，得到空间注意力模块的权重系数㊂将空间注意力模块的权重系数和通道注意力模块的输出特征相乘即可得到注意力机制的一维输出特征图㊂空间注意力模块构建过程如图４所示，注意力机制整体运算过程如图５所示㊂㊀７６６㊀机㊀㊀械㊀㊀强㊀㊀度２０２２年㊀图５㊀注意力机制模块示意图Ｆｉｇ．５㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｍｏｄｕｌｅ２㊀轴承剩余寿命预测方法２ １㊀初始故障点确定将轴承整个生命周期内的振动数据作为神经网络的输入时，因其中存在无故障状态下的振动数据，所以神经网络难以提取有效的轴承故障特征，不利于模型预测㊂为解决此问题，本次研究采用小波包分解与谱峭度分析相结合的方法，找出信号的故障频带，进而确定轴承初始故障点，最后对轴承初始故障点之后的振动数据进行分析㊂滚动轴承外圈固定，其工作转频为ｆｒ，轴承节圆直径为ｄｍ，滚动体直径为Ｄｄ，接触角为α，滚动体个数为Ｎ，根据上述参数，可计算滚动轴承的故障特征频率㊂内圈故障特征频率ｆ＝Ｎｆｒ２１＋Ｄｄｄｍｃｏｓαæèçöø÷（２）㊀㊀外圈故障特征频率ｆ＝Ｎｆｒ２１－Ｄｄｄｍｃｏｓαæèçöø÷（３）㊀㊀滚动体故障特征频率ｆ＝ｄｍｆｒ２Ｄｄ１－Ｄｄｄｍæèçöø÷２ｃｏｓα()２éëêêùûúú（４）㊀㊀根据计算得到的滚动轴承故障特征频率，观察振动信号频谱图中是否存在故障特征频率或其倍频，以确定轴承工作过程中是否出现故障㊂在进行频谱分析前，可利用小波包分析将轴承振动信号划分至不同频带，进而确定轴承故障特征所处频带㊂峭度（Ｋｕｒｔｏｓｉｓ）是一种时域统计特征量，对冲击信号特别敏感，可用于轴承故障信号中异常脉冲的检测，但由于峭度是一种全局性统计特征量，无法反映出信号的瞬态特征变化，不适合强噪音信号下故障特征提取㊂相比于峭度，谱峭度（ＳｐｅｃｔｒａｌＫｕｒｔｏｓｉｓ，ＳＫ）对信号中的非平稳成分具有高度的敏感性，可用来反映强噪声背景下信号的瞬态特征变化㊂谱峭度值越高，信号中瞬态冲击成分占比越大，因此可将谱峭度分析应用于轴承故障特征频带的确定［１６⁃１７］㊂图６为初始故障点确定流程图㊂首先对整段轴承振动信号进行等距截取，利用 ｄｂ４ 小波对截取信号进行５层小波包分解，计算信号各频带谱峭度值，绘制谱峭度图，以确定最大谱峭度值所处频带，然后对谱峭度值最大的频带进行信号重构，最后对重构信号进行频谱分析，观察频谱图中是否存在轴承故障特征频率，以确定轴承是否发生故障㊂图６㊀初始故障点确定流程图Ｆｉｇ．６㊀ＦｌｏｗｃｈａｒｔｆｏｒｄｅｔｅｒｍｉｎａｔｉｏｎｏｆＩＦＰ２ ２㊀网络结构本次研究使用的是基于注意力机制的一维深度可分离卷积神经网络（１Ｄ⁃ＤｅｐｔｈｗｉｓｅＡｔｔｅｎｔｉｏｎＳｅｐａｒａｂｌｅＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，１Ｄ⁃ＡＤＳＣＮＮ），其结构如图７所示㊂１Ｄ⁃ＡＤＳＣＮＮ网络主要由可分离卷积层㊁注意力机制模块㊁全连接层等部分构成，输入数据２５６０ˑ１＠２()经过５层可分离卷积层的运算，实现特征的自动提取㊂在此基础上，利用注意力机制模块使网络自动学习已提取特征中的重要成分㊂最后经过若干全连接层运算后输出轴承剩余寿命预测值㊂网络训练过程中，选择均方误差（ＭＳＥ）作为损失函数进行网络参数优化㊂同时，选择ｓｅｌｕ函数作为激活函数，相比于ｒｅｌｕ激活函数，ｓｅｌｕ函数不存在死区，且变量趋近负无穷大时函数值趋向于－λα，这两个特性利于网络收敛，加快训练速度㊂ｓｅｌｕ（ｘ）＝λｘｘ＞０αｅｘ－αｘɤ０{（５）㊀第４４卷第４期徐海铭等：基于深度可分离卷积神经网络轴承剩余寿命预测７６７㊀㊀图７㊀１Ｄ⁃ＡＤＳＣＮＮ结构Ｆｉｇ．７㊀１Ｄ⁃ＡＤＳＣＮＮｓｔｒｕｃｔｕｒｅ３㊀实验验证３ １㊀实验描述实验数据来自ＩＥＥＥＰＨＭ２０１２数据挑战赛［１８］，实验平台ＰＲＯＮＯＳＴＩＡ，如图８所示㊂为了加快轴承退化，实验平台在转速可控制的情况下对轴承施加了径向载荷㊂同时，为了避免轴承振动过大损坏实验平台，当轴承振动信号的幅度超过２０ｇ时平台将停止实验，并判定轴承已完全损坏㊂该平台提供滚动轴承退化过程中的水平振动㊁垂直振动及部分温度数据（本次研究中未使用温度数据）㊂实验的采样间隔为１０ｓ，加速度传感器的采样频率为２５ ６ｋＨｚ，采样时间为０ １ｓ，则每个样本有２５６０个振动数据点㊂图８㊀轴承实验平台Ｆｉｇ．８㊀Ｂｅａｒｉｎｇｅｘｐｅｒｉｍｅｎｔｐｌａｔｆｏｒｍ实验中所测试的１７个滚动轴承根据工况不同被分为三组，如表１所示㊂研究人员要根据６个运行至完全损坏的轴承的数据集来建立预测模型，并对剩余１１个轴承的ＲＵＬ进行预测㊂表１㊀实验数据说明Ｔａｂ．１㊀Ｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｄｅｓｃｒｉｐｔｉｏｎ载荷Ｌｏａｄ／Ｎ转速Ｒｏｔａｔｉｏｎｓｐｅｅｄ／（ｒ／ｍｉｎ）训练集Ｔｒａｉｎｉｎｇｓｅｔｓ测试集Ｔｅｓｔｉｎｇｓｅｔｓ工况１Ｃｏｎｄｉｔｉｏｎ１４０００１８００１⁃１１⁃２１⁃３１⁃４１⁃５１⁃６１⁃７工况２Ｃｏｎｄｉｔｉｏｎ２４２００１６５０２⁃１２⁃２２⁃３２⁃４２⁃５２⁃６２⁃７工况３Ｃｏｎｄｉｔｉｏｎ３５０００１５００３⁃１３⁃２３⁃３３ ２㊀信号分析为了验证方法的有效性，本次研究利用工况１下滚动轴承的振动数据进行ＲＵＬ预测㊂以轴承１⁃１为例，其水平方向的振动信号如图９所示㊂为确定其初始故障点，将水平方向的振动信号等分，每１０个样本（２５６００个数据点）作为一段完整信号进行小波⁃谱峭度分析㊂以轴承１⁃１的１ １０组样本数据为例进行初始故障点判断，原始信号及其频谱如图１０所示，根据轴承工况１下的结构参数计算故障特征频率，如表２所示㊂由频谱图可知，信号中噪声成分较多，难以提取轴承振动信号中有效的故障特征，需要进行信号故障特征频带的选取㊂本次研究选用 ｄｂ４ 小波对振动信号进行５层小波包分解，计算各频带的谱峭度值，绘制如图１１㊀７６８㊀机㊀㊀械㊀㊀强㊀㊀度２０２２年㊀所示的谱峭度图，以谱峭度值最大原则确定了该段信号的故障特征频带为节点（５，０）所处频带㊂在此基础上，重构故障特征频带的信号，利用希尔伯特变换提取重构信号的包络，并对包络信号进行频谱分析，重构信号的频谱如图１２所示㊂由图１２可知，频谱图中的谱峰均处于滚动轴承转频（３０Ｈｚ）及其倍频附近，未发现内外圈或滚动体故障特征频率，故判定此段数据中无故障出现㊂表２㊀轴承故障特征频率（工况１）Ｔａｂ．２㊀Ｃｈａｒａｃｔｅｒｉｓｔｉｃｆｒｅｑｕｅｎｃｙｏｆｂｅａｒｉｎｇｆａｕｌｔ（Ｃｏｎｄｉｔｉｏｎ１）故障类型Ｆａｕｌｔｔｙｐｅ故障特征频率Ｆａｕｌｔｃｈａｒａｃｔｅｒｉｓｔｉｃｆｒｅｑｕｅｎｃｙ／Ｈｚ内圈Ｉｎｎｅｒｒｉｎｇ２２１ ６６外圈Ｏｕｔｅｒｒｉｎｇ１６８ ３４滚动体Ｒｏｌｌｅｒ１０７６６图９㊀轴承１⁃１水平振动信号Ｆｉｇ．９㊀Ｈｏｒｉｚｏｎｔａｌｖｉｂｒａｔｉｏｎｓｉｇｎａｌｏｆｂｅａｒｉｎｇ１⁃１图１０㊀轴承１⁃１原始信号及频谱图（１ １０样本）Ｆｉｇ．１０㊀Ｏｒｉｇｉｎａｌｓｉｇｎａｌａｎｄｓｐｅｃｔｒｕｍｃｈａｒｔｏｆｂｅａｒｉｎｇ１⁃１（Ｓａｍｐｌｅ１ １０）按上述方法，依次带入数据，分析至２１ ３０组样本数据时，频谱图出现了外圈故障特征频率附近的谱峰㊂２１ ３０组样本数据的谱峭度图如图１３所示，故障特征频带为节点（５，０）所处频带㊂利用希尔伯特变换对重构信号进行包络分析，对所得的包络信号进行频图１１㊀轴承１⁃１谱峭度图（１ １０样本）Ｆｉｇ．１１㊀Ｓｐｅｃｔｒａｌｋｕｒｔｏｓｉｓｇｒａｐｈｏｆｂｅａｒｉｎｇ１⁃１（Ｓａｍｐｌｅ１１０）图１２㊀轴承１⁃１故障频带频谱图（１ １０样本）Ｆｉｇ．１２㊀Ｆｒｅｑｕｅｎｃｙｓｐｅｃｔｒｕｍｏｆｂｅａｒｉｎｇ１⁃１ｆａｕｌｔｂａｎｄ（Ｓａｍｐｌｅ１１０）图１３㊀轴承１⁃１谱峭度图（２１ ３０样本）Ｆｉｇ．１３㊀Ｓｐｅｃｔｒａｌｋｕｒｔｏｓｉｓｇｒａｐｈｏｆｂｅａｒｉｎｇ１⁃１（Ｓａｍｐｌｅ２１ ３０）谱分析，重构信号的频谱如图１４所示㊂图１４㊀轴承故障频带频谱图（２１ ３０样本）Ｆｉｇ．１４㊀Ｆｒｅｑｕｅｎｃｙｓｐｅｃｔｒｕｍｏｆｂｅａｒｉｎｇ１⁃１ｆａｕｌｔｂａｎｄ（Ｓａｍｐｌｅ２１ ３０）㊀第４４卷第４期徐海铭等：基于深度可分离卷积神经网络轴承剩余寿命预测７６９㊀㊀㊀㊀频谱图中的谱峰多处于轴承转频（３０Ｈｚ）及其倍频附近，但中间出现了２２２Ｈｚ的谱峰，与此工况下轴承内圈故障特征频率相近，可判定滚动轴承１⁃１从第２１组数据（２００ｓ ２１０ｓ）开始出现内圈故障，因此轴承１⁃１的初始故障点为２１㊂按上述方法，对工况１下７个滚动轴承进行初始故障点确定，各轴承初始故障点及故障类别如表３示㊂表３㊀滚动轴承初始故障点及故障类别（工况１）Ｔａｂ．３㊀ＩＦＰａｎｄｆａｕｌｔｔｙｐｅｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇ（Ｃｏｎｄｉｔｉｏｎ１）初始故障点Ｉｎｃｉｐｉｅｎｔｆａｕｌｔｐｏｉｎｔ故障特征频率Ｆａｕｌｔｓｐｅｃｔｒｕｍｐｅａｋｆｒｅｑｕｅｎｃｙ／Ｈｚ故障类型Ｆａｕｌｔｔｙｐｅ１⁃１２１２２２内圈Ｉｎｎｅｒｒｉｎｇ１⁃２３１１６９外圈Ｏｕｔｅｒｒｉｎｇ１⁃３１１１７０外圈Ｏｕｔｅｒｒｉｎｇ１⁃４２５１２２２内圈Ｉｎｎｅｒｒｉｎｇ１⁃５４１１７２外圈Ｏｕｔｅｒｒｉｎｇ１⁃６１１０７滚动体Ｒｏｌｌｅｒ１⁃７３１１６９外圈Ｏｕｔｅｒｒｉｎｇ３ ３㊀剩余寿命预测本次研究将轴承１⁃１和１⁃２初始故障点之后的振动数据作为训练集，将滚动轴承水平方向及竖直方向两组振动信号２５６０ˑ１＠２()叠加而成的双通道数据作为神经网络的输入，分别利用１Ｄ⁃ＡＤＳＣＮＮ网络与无注意力机制的１Ｄ⁃ＤＳＣＮＮ网络对轴承１⁃３至１⁃７进行ＲＵＬ预测㊂为了评价方法的预测效果，ＩＥＥＥＰＨＭ２０１２数据挑战赛给出了统一的得分评定方法，其中ＴＡｃｔＲＵＬｉ和ＴＲＵ＾Ｌｉ分别代表第ｉ个轴承数据对应的实际剩余寿命值与预测的剩余寿命值Ｓｃｏｒｅ＝１５ð５ｉ＝１Ａｉ（６）Ａｉ＝ｅｘｐ（－ｌｎ（０ ５）（Ｅｒｉ）／５）Ｅｒｉɤ０ｅｘｐ（ｌｎ（０ ５）（Ｅｒｉ）／２０）Ｅｒｉ＞０{（７）Ｅｒｉ＝ＴＡｃｔＲＵＬｉ－ＴＲＵ＾ＬｉＴＡｃｔＲＵＬｉˑ１００％（８）㊀㊀以轴承１⁃３为例，共有１８０２组振动数据，初始故障点为１１，将轴承１⁃３的１１⁃１８０２组样本数据作为测试集，轴承１⁃３的ＲＵＬ预测结果如图１５㊁图１６所示㊂根据１Ｄ⁃ＡＤＳＣＮＮ的预测结果可知，轴承１⁃３的ＴＡｃｔＲＵＬ３为５７３（５７３０ｓ），ＴＲＵ＾Ｌ３为１７２ ３（１７２３ｓ），则Ｅｒ３为６９ ９３０％㊂虽然最终时刻的ＲＵＬ实际值与预测值之间存在一定误差，但从整体预测结果来看，各样本点的预测结果均处于实际值附近，且预测结果变化趋势与实际剩余寿命发展趋势相同，同时预测值与实际值的Ｐｅａｒｓｏｎ相关系数为０ ９３６，说明由１Ｄ⁃ＡＤＳＣＮＮ网络学习所得的模型能较为准确的拟合轴承的退化程度，因此轴承１⁃３最终点剩余寿命预测结果可信度较高㊂根据１Ｄ⁃ＤＳＣＮＮ的预测结果可知，ＴＲＵ＾Ｌ３为７１３ ２（７１３２ｓ），则Ｅｒ３为－２４ ４５０％㊂虽然最终时刻的预测值误差小于１Ｄ⁃ＡＤＳＣＮＮ，但是预测值与实际值的Ｐｅａｒｓｏｎ相关系数为０ ７９１，表明预测结果整体变化趋势与实际轴承退化曲线存在一定差距㊂图１５㊀轴承１⁃３剩余寿命预测结果（１Ｄ⁃ＡＤＳＣＮＮ）Ｆｉｇ．１５㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｂｅａｒｉｎｇ１⁃３（１Ｄ⁃ＡＤＳＣＮＮ）图１６㊀轴承１⁃３剩余寿命预测结果（１Ｄ⁃ＤＳＣＮＮ）Ｆｉｇ．１６㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｂｅａｒｉｎｇ１⁃３（１Ｄ⁃ＤＳＣＮＮ）相比于轴承１⁃３整体预测效果较好，最终时刻预测不佳的结果，轴承１⁃７最终点的预测效果好，但整体预测效果不佳㊂轴承１⁃７共有１５０２组振动数据，初始故障点为３１，将轴承１⁃７的３１⁃１５０２组样本数据作为测试集，轴承１⁃７的ＲＵＬ预测结果如图１７㊁图１８所示㊂图１７㊀轴承１⁃７剩余寿命预测结果（１Ｄ⁃ＡＤＳＣＮＮ）Ｆｉｇ．１７㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｂｅａｒｉｎｇ１⁃７（１Ｄ⁃ＡＤＳＣＮＮ）对于轴承１⁃７，根据１Ｄ⁃ＡＤＳＣＮＮ的预测结果可知，其ＴＡｃｔＲＵＬ７为７５７（７５７０ｓ），ＴＲＵ＾Ｌ７为６９５（６９５０ｓ），Ｅｒ７为８ １９０％，最终点的实际寿命值与预测值相近㊂但从整体预测结果上看，剩余寿命实际值与１Ｄ⁃ＡＤＳＣＮＮ预测值的Ｐｅａｒｓｏｎ相关系数为０ ６５０，预测结果的整体变化趋势与轴承实际退化趋势存在一定偏㊀７７０㊀机㊀㊀械㊀㊀强㊀㊀度２０２２年㊀图１８㊀轴承１⁃７剩余寿命预测结果（１Ｄ⁃ＤＳＣＮＮ）Ｆｉｇ．１８㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｂｅａｒｉｎｇ１⁃７（１Ｄ⁃ＤＳＣＮＮ）差㊂根据１Ｄ⁃ＤＳＣＮＮ进行ＲＵＬ预测的结果可知，ＴＲＵ＾Ｌ７为８２９（８２９０ｓ），Ｅｒ７为－９ ５１１％，误差大于１Ｄ⁃ＡＤＳＣＮＮ的预测结果㊂同时该网络预测结果的Ｐｅａｒｓｏｎ相关系数为０ ５７９，预测结果整体变化趋势与轴承实际退化趋势偏差更大㊂综合上述两种神经网络进行轴承１⁃７的ＲＵＬ预测结果可知，轴承最终时刻的预测值与实际值偏差均较小，但是两种预测结果均未能准确拟合出轴承的退化程度，因此轴承１⁃７的ＲＵＬ预测存在提升空间㊂本次研究将轴承ＲＵＬ预测值与实际值的Ｐｅａｒｓｏｎ相关系数作为预测结果，拟合轴承退化曲线准确程度的指标，综合考虑轴承最终时刻预测结果的误差和预测值及实际值之间的Ｐｅａｒｓｏｎ相关系数，来判断预测结果是否合理㊂利用上述两种神经网络进行轴承１⁃３至１⁃７的ＲＵＬ预测，结果如表４㊁表５所示㊂由对比结果可知，相比于无注意力机制模块的神经网络，引入注意力机制模块的神经网络的预测结果更为准确，说明该网络提取的特征更有效，训练所得模型的预测效果更好㊂表４㊀ＲＵＬ预测结果（１Ｄ⁃ＡＤＳＣＮＮ）Ｔａｂ．４㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔ（１Ｄ⁃ＡＤＳＣＮＮ）实际值Ａｃｔｕａｌ预测值ＰｒｅｄｉｃｔｉｏｎＥｒ／％Ｐｅａｒｓｏｎ１⁃３５７３０１７２３６９．９３００．９３６１⁃４２９００２９１０－０．３４５０．７１２１⁃５１６１０６１５７－２８２．４２２０．５４５１⁃６１４６０５１１４－２５０．２７４０．５０１１⁃７７５７０６９５０８．１９００．６５０得分Ｓｃｏｒｅ０．３５９表５㊀ＲＵＬ预测结果（１Ｄ⁃ＤＳＣＮＮ）Ｔａｂ．５㊀ＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔ（１Ｄ⁃ＤＳＣＮＮ）实际值Ａｃｔｕａｌ预测值ＰｒｅｄｉｃｔｉｏｎＥｒ／％Ｐｅａｒｓｏｎ１⁃３５７３０７１３１－２４．４５００．７９１１⁃４２９００２４８０１４．４８３０．７４１１⁃５１６１０５０６９－２１４．８４５０．６９７１⁃６１４６０５９９４－３１０．５４８０．５１７１⁃７７５７０８２９０－９．５１１０．５７９得分Ｓｃｏｒｅ０．１８１３ ４㊀方法对比将本次实验的预测结果与传统的支持向量回归（ＳＶＲ）㊁卷积神经网络（ＣＮＮ）及循环神经网络（ＲＮＮ）的预测结果进行对比㊂文献［５］９８⁃１０９利用循环神经网络从提取的特征量中构造轴承健康指标，构造的健康指标具有高单调性及相关性，有助于轴承剩余寿命预测㊂文献［１９］８２１⁃８３２利用ＳＶＲ对信号时域㊁频域及时频域中提取的多个统计特征量进行处理，并首次利用维纳熵对滚动轴承工作状态进行监测，给出了滚动轴承剩余寿命预测结果㊂文献［２０］３２０８⁃３２１６给出了利用传统卷积神经网络预测滚动轴承剩余寿命的结果㊂预测结果对比如表６所示㊂与上述三种方法相比，本文提出的预测算法优势如下：（１）轴承初始故障点的确定㊂本次研究并非直接对轴承完整生命周期内的振动数据进行处理，而是先通过小波⁃谱峭度分析的方法确定了轴承初始故障点，对初始故障点之后的振动数据进行分析，避免了轴承无故障振动数据对后续模型训练产生的干扰；（２）注意力机制模块的引入㊂由３ ３节分析可知，与无注意力机制模块的神经网络相比，引入注意力机制模块的神经网络训练所得模型预测结果更好㊂与上述方法相比，本文提出的１Ｄ⁃ＡＤＳＣＮＮ因注意力机制模块的存在而能够更有效的提取信号中的特征，因此预测结果更准确㊂表６㊀滚动轴承ＲＵＬ预测结果对比Ｔａｂ．６㊀ＣｏｍｐａｒｉｓｏｎｏｆＲＵＬｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ剩余寿命ＲＵＬ／ｓ实际值ＡｃｔｕａｌＳＶＲ［１９］８２１⁃８３２ＲＮＮ［５］９８⁃１０９ＣＮＮ［２０］３２０８⁃３２１６１Ｄ⁃ＡＤＳＣＮＮ１⁃３５７３０５９７０３２５０４５３６１７２３１⁃４２９００１２００１１００２１４７２９１０１⁃５１６１０５０４０１９８０４３２８６１５７１⁃６１４６０１２３０１１５０２０３５５１１４１⁃７７５７０９１２０６２２０５８３２６９５０得分Ｓｃｏｒｅ１０ ２６５７０ ２７９８０ ２６９６０ ３５９０４㊀结论本文采用小波⁃谱峭度方法确定了轴承振动序列信号的初始故障点，在此基础上，利用引入注意力机制的一维深度可分离卷积神经网络实现轴承振动信号特征的有效提取，提高轴承剩余寿命预测的准确性，研究结果表明：１）引入注意力机制使得神经网络能够自动学习信号中关键部分，为重要特征赋予较大权重，避免了人工处理特征的不足㊂２）引入注意力机制的１Ｄ⁃ＡＤＳＣＮＮ网络训练所得模型能较为准确拟合出轴承的退化程度，相比于无注意力机制网络，整体预测效果更好㊂㊀第４４卷第４期徐海铭等：基于深度可分离卷积神经网络轴承剩余寿命预测７７１㊀㊀３）由于工况不同，进行轴承ＲＵＬ预测需训练不同的网络模型，导致预测时间及计算成本的增加㊂为解决此问题，可通过适当增加数据量㊁优化神经网络结构㊁提高数据质量等方法来提升神经网络的泛化能力，力争利用一种模型即可实现多种工况下轴承ＲＵＬ的准确预测，因此提升神经网络的泛化能力是未来研究的重点㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）［１］㊀李思琦，蒋志坚．基于ＥＥＭＤ⁃ＣＮＮ的滚动轴承故障诊断方法［Ｊ］．机械强度，２０２０（５）：１０３３⁃１０３８．ＬＩＳｉＱｉ，ＪＩＡＮＧＺｈｉＪｉａｎ．ＦａｕｌｔｄｉａｇｎｏｓｉｄｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎＥＥＭＤ⁃ＣＮＮ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＳｔｒｅｎｇｔｈ，２０２０（５）：１０３３⁃２０３８（ＩｎＣｈｉｎｅｓｅ）．［２］㊀丁㊀锋，何正嘉，訾艳阳，等．基于设备状态振动特征的比例故障率模型可靠性评估［Ｊ］．机械工程学报，２００９，４５（１２）：８９⁃９４．ＤＩＮＧＦｅｎｇ，ＨＥＺｈｅｎｇＪｉａ，ＺＩＹａｎＹａｎｇ，ｅｔａｌ．Ｒｅｌｉａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎｅｑｕｉｐｍｅｎｔｃｏｎｄｉｔｉｏｎｖｉｂｒａｔｉｏｎｆｅａｔｕｒｅｕｓｉｎｇｐｒｏｐｏｒｔｉｏｎａｌｈａｚａｒｄｓｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００９，４５（１２）：８９⁃９４（ＩｎＣｈｉｎｅｓｅ）．［３］㊀徐㊀东，徐永成，陈㊀循，等．基于ＥＭＤ的灰色模型的疲劳剩余寿命预测方法研究［Ｊ］．振动工程学报，２０１１，２４（１）：１０４⁃１１０．ＸＵＤｏｎｇ，ＸＵＹｏｎｇＣｈｅｎｇ，ＣＨＥＮＸｕｎ，ｅｔａｌ．ＲｅｓｉｄｕａｌｆａｔｉｇｕｅｌｉｆｅｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｇｒｅｙｍｏｄｅｌａｎｄＥＭＤ［Ｊ］．ＪｏｕｒｎａｌｏｆＶｉｂｒａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０１１，２４（１）：１０４⁃１１０（ＩｎＣｈｉｎｅｓｅ）．［４］㊀ＡＨＭＡＤＷ，ＫＨＡＮＳＡ，ＩＳＬＡＭＭＭＭ，ｅｔａｌ．Ａｒｅｌｉａｂｌｅｔｅｃｈｎｉｑｕｅｆｏｒｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｅｓｔｉｍａｔｉｏｎｏｆｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｒｉｎｇｓｕｓｉｎｇｄｙｎａｍｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓ［Ｊ］．ＲｅｌｉａｂｉｌｉｔｙＥｎｇｉｎｅｅｒｉｎｇ＆ＳｙｓｔｅｍＳａｆｅｔｙ，２０１９（１８４）：６７⁃７６．［５］㊀ＧＵＯＬ，ＬＩＮ，ＪＩＡＦ，ｅｔａｌ．Ａｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｈｅａｌｔｈｉｎｄｉｃａｔｏｒｆｏｒｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅｄｉｃｔｉｏｎｏｆｂｅａｒｉｎｇｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１７（２４０）：９８⁃１０９．［６］㊀ＬＥＩＹ，ＬＩＮ，ＧＵＯＬ，ｅｔａｌ．Ｍａｃｈｉｎｅｒｙｈｅａｌｔｈｐｒｏｇｎｏｓｔｉｃｓ：ＡｓｙｓｔｅｍａｔｉｃｒｅｖｉｅｗｆｒｏｍｄａｔａａｃｑｕｉｓｉｔｉｏｎｔｏＲＵＬｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１８（１０４）：７９９⁃８３４．［７］㊀ＷＡＮＧＨ，ＤＯＮＧＧ，ＣＨＥＮＪ．Ａｐｐｌｉｃａｔｉｏｎｏｆｉｍｐｒｏｖｅｄｇｅｎｅｔｉｃｐｒｏｇｒａｍｍｉｎｇｆｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｔｈｅｅｖａｌｕａｔｉｏｎｏｆｂｅａｒｉｎｇｐｅｒｆｏｒｍａｎｃｅｄｅｇｒａｄａｔｉｏｎ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２０（８）：１６７７２１⁃１６７７３０．［８］㊀ＬＩＵＲ，ＹＡＮＧＢ，ＨＡＵＰＴＭＡＮＮＡＧ．Ｓｉｍｕｌｔａｎｅｏｕｓｂｅａｒｉｎｇｆａｕｌｔｒｅｃｏｇｎｉｔｉｏｎａｎｄｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇｊｏｉｎｔ⁃ｌｏｓｓｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０２０，１６（１）：８７⁃９６．［９］㊀ＪＩＮＸ，ＱＵＥＺ，ＳＵＮＹ，ｅｔａｌ．Ａｄａｔａ⁃ｄｒｉｖｅｎａｐｐｒｏａｃｈｆｏｒｂｅａｒｉｎｇｆａｕｌｔｐｒｏｇｎｏｓｔｉｃｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｙＡｐｐｌｉｃａｔｉｏｎｓ，２０１９（４）：３３９４⁃４００１．［１０］㊀ＳＯＵＡＬＨＩＡＡ，ＭＥＤＪＡＨＥＲＫＢ，ＣＥＬＲＣＧＣ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｂｅａｒｉｎｇｆａｉｌｕｒｅｓｂｙｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｔｉｍｅｓｅｒｉｅｓ［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０２０（１３９）：１０６６０７⁃１０６６３５．［１１］㊀ＣＵＩＬ，ＷＡＮＧＸ，ＷＡＮＧＨ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅｄｉｃｔｉｏｎｏｆｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｒｉｎｇｓｂａｓｅｄｏｎｔｉｍｅ⁃ｖａｒｙｉｎｇｋａｌｍａｎｆｉｌｔｅｒ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｓｔｒｕｍｅｎｔａｔｉｏｎ＆Ｍｅａｓｕｒｅｍｅｎｔ，２０２０，６９（６）：２８５８⁃２８６７．［１２］㊀程正兴．小波分析算法与应用［Ｍ］．西安：西安交通大学出版社，１９９８：２１⁃３５．ＣＨＥＮＧＺｈｅｎｇＸｉｎ．Ｗａｖｅｌｅｔａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍａｎｄａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｘｉᶄａｎ：ＸｉᶄａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，１９９８：２１⁃３５（ＩｎＣｈｉｎｅｓｅ）．［１３］㊀ＧＡＯＳ，ＷＡＮＧＸ，ＭＩＡＯＸ，ｅｔａｌ．ＡＳＭ１Ｄ⁃ＧＡＮ：Ａｎｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎａｓｓｅｍｂｌｅｄ１Ｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２０１９，９１（１０）：１２３７⁃１２４７．［１４］㊀张晴晴，刘㊀勇，潘接林，等．基于卷积神经网络的连续语音识别［Ｊ］．工程科学学报，２０１５，３７（９）：１２１２⁃１２１７．ＺＨＡＮＧＱｉｎｇＱｉｎｇ，ＬＩＵＹｏｎｇ，ＰＡＮＪｉｅＬｉｎ，ｅｔａｌ．Ｃｏｎｔｉｎｕｏｕｓｓｐｅｅｃｈｒｅｃｏｇｎｉｔｉｏｎｂｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇ，２０１５，３７（９）：１２１２⁃１２１７（ＩｎＣｈｉｎｅｓｅ）．［１５］㊀曲㊀强，于洪涛，黄瑞阳．基于注意力机制的社交垃圾文本检测方法［Ｊ］．网络与信息安全学报，２０２０，６（１）：５４⁃６１．ＱＵＱｉａｎｇ，ＹＵＨｏｎｇＴａｏ，ＨＵＡＮＧＲｕｉＹａｎｇ．Ａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄａｐｐｒｏａｃｈｏｆｄｅｔｅｃｔｉｎｇｓｐａｍｉｎｓｏｃｉａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＮｅｔｗｏｒｋａｎｄＩｎｆｏｒｍａｔｉｏｎＳｅｃｕｒｉｔｙ，２０２０，６（１）：５４⁃６１（ＩｎＣｈｉｎｅｓｅ）．［１６］㊀陈祥龙，冯辅周，张兵志，等．基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障［Ｊ］．机械工程学报，２０１８，５４（２１）：９０⁃１００．ＣＨＥＮＸｉａｎｇＬｏｎｇ，ＦＥＮＧＦｕＺｈｏｕ，ＺＨＡＮＧＢｉｎｇＺｈｉ，ｅｔａｌ．Ｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｗｉｔｈｏｐｔｉｍａｌｒｅｓｏｎａｎｔｆｒｅｑｕｅｎｃｙｂａｎｄｄｅｍｏｄｕｌａｔｉｏｎｂａｓｅｄｏｎｓｑｕａｒｅｄｅｎｖｅｌｏｐｅｓｐｅｃｔｒａｌｃｏｒｒｅｌａｔｅｄｋｕｒｔｏｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１８，５４（２１）：９０⁃１００（ＩｎＣｈｉｎｅｓｅ）．［１７］㊀李宏坤，杨㊀蕊，任远杰，等．利用粒子滤波与谱峭度的滚动轴承故障诊断［Ｊ］．机械工程学报，２０１７，５３（３）：６３⁃７２．ＬＩＨｏｎｇＫｕｎ，ＹＡＮＧＲｕｉ，ＲＥＮＹｕａｎＪｉｅ，ｅｔａｌ．Ｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｒｉｎｇｄｉａｇｎｏｓｉｓｕｓｉｎｇｐａｒｔｉｃｌｅｆｉｌｔｅｒａｎｄｋｕｒｔｏｇｒａｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１７，５３（３）：６３⁃７２（ＩｎＣｈｉｎｅｓｅ）．［１８］㊀ＮＥＣＴＯＵＸＥＰ，ＧＯＵＲＩＶＥＡＵＲ，ＭＥＤＪＡＨＥＲＫ，ｅｔａｌ．Ｐｒｏｎｏｓｔｉａ：Ａｎｅｘｐｅｒｉｍｅｎｔａｌｐｌａｔｆｏｒｍｆｏｒｂｅａｒｉｎｇｓａｃｃｅｌｅｒａｔｅｄｄｅｇｒａｄａｔｉｏｎｔｅｓｔｓ［Ｃ］．ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰｒｏｇｎｏｓｔｉｃｓａｎｄＨｅａｌｔｈＭａｎａｇｅｍｅｎｔ．ＩＥＥＥ，２０１２：１⁃８．［１９］㊀ＬＯＵＴＡＳＴ，ＲＯＵＬＩＡＳＤ，ＧＥＯＲＧＯＵＬＡＳＧ．Ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｅｓｔｉｍａｔｉｏｎｉｎｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｔｉｌｉｚｉｎｇｄａｔａ⁃ｄｒｉｖｅｎｐｒｏｂａｂｉｌｉｓｔｉｃｅ⁃ｓｕｐｐｏｒｔｖｅｃｔｏｒｓｒｅｇｒｅｓｓｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＲｅｌｉａｂｉｌｉｔｙ，２０１３，６２（４）：８２１⁃８３２．［２０］㊀ＺＨＵＪ，ＣＨＥＮＮ，ＰＥＮＧＷ．Ｅｓｔｉｍａｔｉｏｎｏｆｂｅａｒｉｎｇｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ，２０１９，６６（４）：３２０８⁃３２１６．。

基于卷积神经网络的轴承剩余寿命预测方法作者：张浩赵军王鹿张银龙程思宇来源：《现代信息科技》2024年第10期摘要：为提高自动扶梯轴承剩余使用寿命（RUL）预测模型的预测精度和泛化能力，提出一种基于卷积神经网络（CNN）的轴承RUL预测方法。

首先基于3σ准则对原始数据进行去噪，通过快速傅里叶变换获得其频率特征，其次将不同于传统时间序列数据划分方法的分层抽样应用于数据划分，并构造一个由三个卷积层和两个全连通层组成的深度卷积神经网络DCNN 模型，最后利用NASA IMS数据集对预处理方法、DCNN模型精度和泛化能力进行评估，证明了该方法的优越性。

关键词：剩余寿命预测；3σ准则；分层抽样；DCNN；泛化能力中图分类号：TP391；TH133.3 文献标识码：A 文章编号：2096-4706（2024）10-0032-06Prediction Method for Bearing Remaining Useful Life Based onConvolutional Neural NetworksZHANG Hao1， ZHAO Jun1， WANG Lu1， ZHANG Yinlong2， CHENG Siyu2（1.Nanjing Metro Construction Co.， Ltd.， Nanjing 211806， China;2.China Railway Siyuan Survey and Design Group Co.， Ltd.， Wuhan 430063， China）Abstract： To improve the prediction accuracy and generalization ability of the Remaining Useful Life （RUL） prediction model for escalator bearings， a bearing RUL prediction methodbased on Convolutional Neural Network （CNN） is proposed. Firstly， it denoises the original data based on 3σ criterion， obtains its frequency characteristics through fast Fourier transformation. Secondly， it applies layered sampling different from traditional time series data partitioning methods to data partitioning， and constructs a Deep Convolutional Neural Network （DCNN） model consisting of three convolutional layers and two fully connected layers. Finally， the NASA IMS dataset is used to evaluate the preprocessing method， DCNN model accuracy， and generalization ability， proving the superiority of this method.Keywords：RUL prediction; 3σ criterion; layered sampling; D CNN; generalization ability0 引言自动扶梯轴承剩余使用寿命（Remain Useful Life， RUL）预测对公共安全极其重要，精确的RUL预测可以减少自动扶梯的维修停梯时间，提高运营效益并降低运营成本[1-3]，确保采取适当的维护决策[4]，避免扶梯设备造成的人员伤亡和财产损失[5]，研究和提高自动扶梯轴承RUL预测技术的准确性具有较强的现实意义[6-8]。

基于多尺度卷积神经网络的轴承剩余寿命预测研究基于多尺度卷积神经网络的轴承剩余寿命预测研究摘要：随着机械设备的广泛应用，轴承作为机械设备的关键组件之一，其寿命的预测对于机械设备的正常运行具有重要意义。

针对传统方法在轴承剩余寿命预测中存在的不足，本文提出了一种基于多尺度卷积神经网络（Multi-Scale Convolution Neural Network, MSCNN）的轴承剩余寿命预测方法。

该方法通过提取多尺度特征，使网络能够充分捕获轴承的时序变化特性，从而实现更准确的寿命预测。

通过对实际的轴承故障数据进行实验验证，结果表明所提出的方法在轴承剩余寿命预测中取得了较好的效果。

关键词：轴承，剩余寿命预测，多尺度卷积神经网络，特征提取1 引言随着科技的发展和机械设备的广泛应用，轴承作为机械设备的重要组成部分，其寿命的可靠预测对于机械设备的正常运转具有重要意义。

然而，由于轴承在长时间的工作过程中会受到多种复杂因素的影响，如温度、载荷和转速等，轴承剩余寿命的预测变得更加具有挑战性。

传统的轴承寿命预测方法通常依赖于专家经验或简单的数学模型来进行预测，但这些方法存在着精度不高、适用性差等问题。

为了解决上述问题，本文提出了一种基于多尺度卷积神经网络的轴承剩余寿命预测方法。

该方法基于深度学习算法，通过对轴承时序数据进行多尺度特征提取，将时序信号变换到更高维度的特征空间中，从而实现对轴承剩余寿命的准确预测。

本文将详细介绍该方法的原理和实验验证结果，以验证其在轴承剩余寿命预测中的有效性和准确性。

2 多尺度卷积神经网络2.1 MSCNN的原理多尺度卷积神经网络（Multi-Scale Convolution Neural Network, MSCNN）是一种结合了多尺度卷积和深度学习的网络模型。

该模型通过多层次的卷积神经网络对输入数据进行多尺度特征提取，使网络能够从不同尺度上捕获数据的时序变化信息。

具体而言，MSCNN通过并行的多个卷积层对输入信号进行多尺度卷积操作，得到多个特征图。

《基于深度学习滚动轴承故障诊断算法研究》篇一一、引言滚动轴承作为旋转机械的重要部件，其故障诊断对于保障设备的正常运行具有重要意义。

随着深度学习技术的发展，越来越多的研究者开始探索其在滚动轴承故障诊断领域的应用。

本文旨在研究基于深度学习的滚动轴承故障诊断算法，以提高诊断的准确性和效率。

二、相关研究综述近年来，滚动轴承故障诊断的方法主要有传统的信号处理方法、基于模型的诊断方法和基于数据驱动的诊断方法。

其中，基于数据驱动的深度学习诊断方法因其在特征提取和分类方面的优异性能而备受关注。

目前，深度学习在滚动轴承故障诊断中的应用主要集中在卷积神经网络（CNN）和循环神经网络（RNN）等模型上。

这些模型可以有效地提取轴承振动信号中的时频域特征，提高故障诊断的准确率。

三、深度学习算法在滚动轴承故障诊断中的应用3.1 数据集与预处理本研究采用某大型企业提供的滚动轴承故障数据集。

首先，对原始振动信号进行降噪处理，以提高信号的信噪比。

然后，将处理后的信号划分为训练集和测试集，用于训练和验证深度学习模型。

3.2 模型构建与训练本研究采用卷积神经网络（CNN）作为主要的诊断模型。

在模型构建过程中，通过调整网络结构、卷积层数、滤波器数量等参数，以优化模型的性能。

在训练过程中，采用梯度下降算法对模型进行优化，以提高模型的诊断准确率。

3.3 特征提取与分类CNN模型可以自动提取轴承振动信号中的时频域特征。

通过训练，模型可以学习到不同故障类型对应的特征表示，从而实现故障分类。

在分类过程中，采用softmax函数对输出层进行归一化处理，以得到各故障类型的概率分布。

四、实验结果与分析4.1 实验设置实验采用十折交叉验证的方法，将数据集划分为十份，其中九份用于训练，一份用于测试。

重复该过程十次，以得到更可靠的实验结果。

实验环境为高性能计算机，配置了适当的深度学习框架和硬件资源。

4.2 实验结果实验结果表明，基于深度学习的滚动轴承故障诊断算法在各故障类型上的诊断准确率均有所提高。

基于多尺度卷积神经网络的轴承剩余寿命预测
马占伟;袁逸萍;樊盼盼;赵琴
【期刊名称】《机械设计与制造》
【年(卷),期】2023()1
【摘要】针对数据驱动的轴承剩余使用寿命预测方法多基于先验知识来构建退化指标,较为繁琐,且传统卷积神经网络预测特征提取不完全的问题。

该研究采用了多尺度卷积神经网络模型预测轴承剩余使用寿命。

多尺度卷积神经网络模型以轴承振动数据为输入,避免了依靠先验知识的退化指标构建过程,且依据其多尺度特性可以从不同尺度自动对输入数据并行提取特征,能更加全面地学习振动信号所蕴含的退化规律。

最后,为了减少多尺度卷积神经网络预测模型输出的局部波动,采用移动平均法对预测结果进行降噪平滑处理,最终得到预测结果。

该研究使用加速轴承寿命实验数据验证了所提方法的有效性和可靠性。

【总页数】4页(P5-8)
【作者】马占伟;袁逸萍;樊盼盼;赵琴
【作者单位】新疆大学机械工程学院
【正文语种】中文
【中图分类】TH16;TH165.3;TG506
【相关文献】
1.基于一维卷积神经网络的轴承剩余寿命预测
2.基于多尺度卷积神经网络的轴承剩余寿命预测
3.基于深度多尺度卷积神经网络的剩余使用寿命预测模型
4.基于卷积
神经网络的地铁牵引电机轴承剩余寿命预测5.基于深度可分离卷积神经网络轴承剩余寿命预测
因版权原因，仅展示原文概要，查看原文内容请购买。