邹 旺，江 伟，冯俊杰，郑 凯

(六盘水师范学院，贵州 六盘水 553004)

0 引言

轴承是旋转机电设备的关键部件，它的可靠性运行能够提高现代生产设备的安全性和效率。轴承的故障通常被认为是设备故障最常见的原因之一[1-2]。轴承通常在恶劣的环境中工作，在运行期间经常发生不同类型的故障，如果不采取有效措施，轴承的故障可能导致整个机器的故障并造成大量经济损失。因此，轴承的剩余使用寿命预测技术变得非常重要，它提前为设备维修人员提供故障报警预告，提前进行零部件更换，从而减少昂贵的计划外维护并提高设备运行的安全性。近年来，轴承RUL预测的研究已经成为了重要的研究方向[3]。RUL预测方法可分为两类[4]：基于模型的预测方法和基于数据驱动的预测方法[5]。基于模型的方法的精度取决于建立模型的准确性。由于难以清晰、全面地描述轴承退化的复杂过程，因此通常难以构建轴承剩余使用寿命预测的模型。基于数据驱动的方法具有数据挖掘和机器学习的特点，在初始分析阶段不需要建立复杂的控制。此外，此方法能够提供量化预测结果和预结果概论分布，为机器学习算法构建合适的机器学习模型。奚立峰等[6]基于自组织映射和反向传播神经网络，有效预测了轴承剩余使用寿命。申中杰等[7]提出基于相对特征和多向量的剩余寿命预测方法，结果表明多变量支持向量机可在小样本条件下获得准确的预测结果。……