魏 豪， 权 伟， 何建国， 张 玮

(西安工程大学 机电工程学院, 陕西 西安 710048)

滚动轴承作为旋转机械核心零部件，广泛应用于机械设备中，对机械设备的安全运行发挥着至关重要的作用。滚动轴承的状态识别和寿命预测也是现在众多学者关注的热点问题[1-2]。轴承服役期间逐渐产生的退化和损伤，若未能及时发现或提前预测，可能会导致严重的安全事故和经济损失。因此，有必要对滚动轴承的可靠性进行评估，预测其剩余使用寿命，以维持旋转机械安全可靠运行。

目前，滚动轴承剩余寿命预测方法主要分为基于物理模型的方法和基于数据驱动的方法[3]，其中数据驱动方法更加符合现代化复杂工业和工业大数据环境，故基于统计分析和人工智能等数据驱动方法被广泛应用于寿命预测领域[4-5]。

基于数据驱动的轴承剩余使用寿命预测核心步骤为退化特征提取[6]，因此近年来国内外学者针对轴承的退化特征提取问题开展了大量研究，如经典时域、频域统计特征[7]，经验模态分解[8]，小波包分解[9]等时频域特征，机器学习[10]、深度学习[11]等退化特征提取方法被相继应用于寿命预测领域。其中，结合经典统计特征的改进特征趋势因具有较强可解释性受到众多学者青睐。曾大懿等[12]提出一种基于退化特征间相关性的评价指标，将其应用于统计特征和深度学习特征进行预测，并取得优良效果。李卓漫等[13]提出基于卷积自编码器和混合灰狼优化支持向量回归机的性能退化趋势预测方法，利用卷积自编码器将高维经典统计指标进行降维，取得了优化特征趋势的效果。……