刘 硕，武婷婷，宋纯贺，于诗矛，杨雪滨，邹云峰

(1.中国科学院 沈阳自动化研究所机器人学国家重点实验室，沈阳 110016)(2.中国科学院 网络化控制系统重点实验室，沈阳 110016)(3.中国科学院 机器人与智能制造创新研究院，沈阳 110169)(4.中国科学院大学，北京100049)(5.中国科学院沈阳自动化研究所，沈阳 110016)(6.国家电网辽宁省电力有限公司检修分公司,沈阳 110016)(7.国家电网江苏省电力有限公司营销服务中心(计量中心)，南京 210000)

在如今的制造系统中，设备性能下降，健康衰退，零部件磨损等问题，造成工业生产中的不可控的风险[1]，其中轴承的故障问题，占比较大，特别是对高精度重载搅拌设备，寿命预测的意义重大[2].根据轴承运行产生的振动等信号对轴承剩余使用寿命(remaining useful life,RUL)进行学习与预测，可及时有效地采取措施从而避免重大经济损失或人员伤亡[3-4]，因而对滚动轴承进行寿命预测的研究意义是及其重大的[5].

由于深度学习具有强大的非线性拟合功能，故其在滚动轴承振动信号的研究方面也得到了广泛的应用[6].堆叠去噪自编码器(stacked denoising auto encoder，SDAE)是一种无需数据标签的深度学习网络模型，具有独特的无监督特征提取的能力[7].文中使用SDAE模型提取出滚动轴承振动信号的深层低维度特征信息，在特征提取的基础上，进行滚动轴承RUL预测，其方法主要包含两个大方向[8]：一种是通过建立数学模型的剩余寿命预测；另一种是基于数据驱动的剩余寿命预测.对于通过建立数学模型预测剩余使用寿命的……