栗子旋，高丙朋

(新疆大学电气工程学院，新疆乌鲁木齐 830017)

0 前言

滚动轴承作为旋转机械的关键部件，决定着机械设备能否安全平稳运行。在复杂的运行工况下，随着服役时间的增加，轴承性能逐步退化，发生故障甚至导致失效。对滚动轴承的剩余使用寿命(Remaining Useful Life，RUL)进行预测，可以确定最佳维修点，实现预测性维护，减少事故的发生和经济损失，提高设备的可靠性[1]。

基于数据驱动的滚动轴承剩余寿命预测技术的研究包含2个重要方面：运行状态的特征提取和剩余寿命预测模型的建立。特征提取是关键，寿命预测是目标。良好的特征能够反映轴承的运行状态和退化趋势，而寿命预测模型则能够根据退化特征挖掘轴承的退化规律，实现准确地预测滚动轴承的剩余使用寿命。文献[2]通过双树复小波重构原始信号，得到去噪后的信号，提取相应的特征，采用BP网络对破碎机转轴进行寿命预测。文献[3]提取时域特征描述轴承的退化过程，并采用滤波器进行降噪处理，然后采用优化算法得到支持向量回归的参数，训练多个模型进行轴承寿命预测。为了能够更好地描述轴承的退化特征，提取时域、频域以及时频域特征共同构成特征矩阵。然而多维特征容易导致维数灾难。为了兼顾全面反映轴承的运行状态和计算效率，对特征矩阵进行降维处理。JENSSEN[4]提出了核熵成分分析(Kernel Entropy Component Analysis，KECA)，该算法将原始非线性数据经过核函数映射到高维特征空间中，在最大保留原始信息的情况下进行降维融合。……