高宏玉， 王 典， 张守京

(1.北奔重型汽车集团有限公司， 内蒙古 包头 014000；2.西安工程大学 机电工程学院， 陕西 西安 710048)

在现代工业生产系统中，不同的组件协同工作以实现既定目标[1]。滚动轴承作为许多生产领域的关键部件，其健康状况在很大程度上影响着整个机械系统的性能[2]。然而，滚动轴承通常在恶劣多变的工作环境下工作，在工程应用中易受损伤。尽管滚动轴承在相同的工作条件下与其它产品部件一起使用，但是它们的使用寿命可能会有很大的不同。对滚动轴承的性能进行评估，不仅可以保证机械设备的平稳、高效运行，而且可以发现和消除运行中的意外故障事件。因此，在对传感器信号进行实时监测的基础上，对滚动轴承的性能退化进行评估也是至关重要的[3-4]。评估滚动轴承的性能退化从根本上说是机器健康监测系统(machine health monitoring system，MHMS)问题。应用于MHMS的方法一般有2种:物理的模型和数据驱动的模型[5]。

包括马尔科夫模型在内的其他基于机理模型的方法，在设备不断精密化、智能化和复杂化的前提下建立准确的物理模型非常困难[6]。数据驱动的方法，包括统计分析和人工智能，是当前研究的焦点[7]。统计分析方法需要预测多步递归后的剩余寿命(remaining useful life，RUL)，不能保证实时性，而浅层人工智能方法存在特征提取不精确的问题，所以目前基于深度学习的方法是RUL预测中最流行的方法之一[8]。

堆叠自动编码器是一种传统的深度学习方法，该方法能够提取到……