马俊添, 张素明, 阎小涛, 陈海宝

(1.上海交通大学，上海 200240；2.北京宇航系统工程研究所，北京 100076)

0 引言

在工业生产中，滚动轴承广泛用于各种机械设备中，作为关键基础部件，滚动轴承的损伤往往会对设备造成不同程度的损伤，例如精度下降、设备动力故障，甚至是严重的安全风险[1]。因此,对滚动轴承进行健康监控与剩余寿命分析(RUL)，可以提高相关机械设备的使用寿命和运行状态，有助于构建故障诊断与健康管理(Prognostics and Health Management, PHM)系统。

目前，滚动轴承的退化趋势预测主要分为3类方法：基于模型的预测方法，基于经验知识的预测方法以及基于数据驱动的预测方法[2]。基于模型的预测方法通常要构造数学统计模型来精准描述设备退化的机理，模型的描述准确性直接影响了算法的预测精度。然而，由于大多数的设备退化机制复杂，想要清晰地描述退化机制需要大量先验知识，导致该方法的预测精度有限，应用范围受限。基于经验知识的预测方法需要借用专家经验知识提取相应特征，该方法更适合定性评估，在高精度预测剩余寿命时存在局限性。数据驱动预测法不需要建立复杂的控制方程，通过传感器采集历史监测数据，利用数据分析方法找到数据内在规律，预测未来一段时期的退化趋势以及设备剩余使用寿命，由于其低成本和高精度等特点，目前数据驱动预测法逐渐成为了当下的研究热点，更加适合大数据寿命预测。本文构建了一种新的数据驱动寿命预测算法，对轴承传感器得到的历史振动信号进行退化趋势预测，最终得到剩余寿命预测。……