李卓漫 王海瑞 于 童

（昆明理工大学信息工程与自动化学院）

滚动轴承是旋转机械设备的重要组成部件之一。 预测滚动轴承退化趋势对于设备维护、提高生产效率具有重要的实用意义［1，2］。随着故障预测与健康管理技术的提出，对滚动轴承退化趋势预测的研究也得到了国内外众多学者的关注［3］。

滚动轴承性能退化趋势预测一般是将传感器监测到的振动信号作为原始数据，再提取特征构建退化趋势， 通过模型进行退化趋势预测，从而合理进行设备管理和维修。

首先，原始数据的特征选取是描述轴承退化趋势的关键因素之一，由于单一时域频域特征不全面，近年来融合多个指标表征轴承性能退化趋势成为研究热点［4］。为了全面、高效地反映轴承的退化趋势， 需要将提取到的高维特征向量降维。考虑到轴承退化趋势是非线性的，采用非线性降维方法更加合理。 文献［5］通过非线性自编码器对高维数据进行压缩，消除冗余信息，提高了预测效率。 卷积自编码器 （Convolutional Auto-Encoder，CAE）在继承传统自编码器的基础上，加入了卷积、池化运算，在捕捉高维数据的内在特征方面有更好的表现。

其次，模型的选取决定了轴承退化趋势预测的准确度。 由于支持向量回归机（Support Vector Regression，SVR） 适合解决小样本问题而被广泛应用在滚动轴承剩余寿命预测中。 文献［6］通过时滞SVR对降维后的轴承特征进行退化趋势预测。文献［7］通过在多变量SVR中加入磷虾群优化算法，提高了模型的预测效率。……