文 娟， 高宏力

(西南交通大学 机械工程学院 先进驱动节能技术教育部工程研究中心，成都 610031)

作为一种关键零部件，轴承被广泛应用于各种机械系统中。通常轴承的工况复杂，工作环境恶劣，因而频繁出现各种故障。一旦轴承出现故障，可能会造成整个机械系统停机，带来灾难。因此，适时监测轴承状态，并根据状态监测结果指导维修计划对于提高系统可靠性与降低生产成本具有重要意义。状态维修(Condition-Based Maintenance)主要包括两个部分，故障诊断和故障预警[1-3]。故障诊断的主要任务为判断系统能否正常工作，一旦不能工作，将会停机并更换故障零部件。故障预警的主要任务为判断系统的当前状态，并根据当前状态对系统的剩余服役寿命进行预测，并使用预测结果指导维修计划的制定。准确的故障预警能够在确保安全的情况下节约维修费用，因而受到了越来越多研究者的关注。

通常寿命预测可以分为两种，基于数据驱动的方法和基于模型的方法。数据驱动的方法试图通过机器学习方法建立状态监测数据与系统退化过程之间的关系。Tian等[4]提出了一种利用失效数据和未失效悬疑数据建立人工神经网络(Articial Neural Network)寿命预测模型的方法。Tran等[5]利用时间序列技术和支持向量机(Support Vector Machines)对剩余寿命进行预测。与数据驱动方法不同，基于模型的方法主要通过建立能够反应退化过程的数学模型来对剩余寿命进行预测。Gebraeel等[6-8]在数学模型的建立方面完成了许多工作。……