张典震，陈 捷,2，王 华,2，杨启帆

(1.南京工业大学 机械与动力工程学院，南京 211816；2.南京工业大学 江苏省工业装备数字制造及控制技术重点实验室，南京 211816)

回转支承是保障盾构机、风力发电机等大型回转机械进行回转运动的一种关键部件，在其服役过程中，由于受到工作环境、受载情况等因素的影响，往往会出现意外的故障和损坏，造成重大的经济损失与安全隐患。因此，研究回转支承的性能退化趋势预测具有重要意义。

退化趋势预测主要包括构造反映回转支承性能退化状况的健康指标(health indicator，HI)与建立准确有效的退化趋势预测模型两部分关键工作。在健康指标构造方面，由Lei等[1-3]的研究可知,健康指标通常可分为两类:一类是物理指标，如均方根、峭度[4]等一些传统的统计特征，或如Wang等[5-6]研究中的基于等效循环能量、振动信号功率谱密度构造的健康指标；另一类是融合指标，即提取原始信号的时域、频域等统计特征，并通过主成分分析(principal component analysis，PCA)、局部保持投影等算法构造的指标。但这两类指标的构造都过于依赖先验知识，需要人为地提取与筛选特征，构造方法难以适用于不同任务。存在通用性不强、自适应能力差的问题。而深度神经网络具有较强的特征发掘与特征学习能力，能够实现在原始数据中自动提取特征、降维等操作。因此，近年来借助卷积神经网络(convolutional neural networks,CNN),深度信念网络[7]以及堆叠自编码器等深度学习模型的健康指标构造方法被提出，但其中多数方法仍存在依赖人为标注标签以进行监督训练的问题。……