摘要
滚动轴承作为旋转机械必不可少的组成部件，其健康状况会直接影响整个机械设备的安全稳定。为有效监测设备的运行状况，保证其正常运行，滚动轴承的故障预测与健康管理(prediction and health management, PHM)技术被提出，并得到广泛应用。剩余寿命(remaining useful life, RUL)预测技术作为 PHM 的重要部分，它可以有效识别轴承的故障程度并完成其剩余使用寿命的评估，为设备的及时维护提供可能，最终确保设备可以安全稳定运行。 深度学习模型可以有效捕捉到状态监测信号中的时空相关性，因而在轴承的 RUL 预测中得到了广泛应用。然而，大部分基于深度学习的预测模型仅有单一的预测器结构，导致模型难以有效整合轴承的退化特征；且预测模型容易受到信息冗余的困扰，使得模型的鲁棒性不好；预测模型构建的关键是超参数的选择，而大部分深度学习模型采用深度学习优化算法调参，往往导致参数选择不准确，致使最终的预测结果不好；同时存在预测阈值设置不准确，使得模型的预测精度不高。为解决上述问题，本课题将以XJTU-SY轴承数据集为研究对象，从以下几个方面对滚动轴承的 RUL预测展开研究。 (1) 针对预测任务中，特征提取网络容易陷入信息冗余，使得模型陷入过拟合；长短时记忆网络(long and short term memory network, LSTM)单元中的多层感知机(multi-layer perceptron, MLP)结构对信号数据的特征表达能力不足；手动 设置阈值影 响模 型预测精度 等问 题，搭建 了 CA-LSTM(convolutional neural network and convolutional block attention module-long short-term memory)的混合预测模型用于滚动轴承 RUL 预测。该模型通过一维卷积与卷积注意力机制(convolutional block attention module, CBAM)结合构建特征提取模块，解决模型容易受到信息冗余困扰的问题；并以此代替 LSTM 单元输入端的 MLP 结构，来解决 LSTM 输入端对故障特征表达不足的问题；使用寿命百分比作为模型的输入标签，避免人为设置阈值对网络预测精度的影响。实验结果表明，所提方法在轴承寿命预测精度上具有一定的优势。 (2) 针对故障预测任务中，循环结构与卷积结构在提取轴承退化特征的全局依赖关系方面存在缺陷；标准 Transformer 模型直接用于时序数据特征提取时，对局部特征的敏感性低；单一预测器特征表征不充分等问题，提出DMSF-Transformer(dilated and multi scale-feature fusion-Transformer)预测模型进行滚动轴承 RUL 预测。该方法通过引入完全放弃循环和卷积结构的 Transformer 编码器结构来改善故障特征提取机制对轴承退化全局依赖关系的刻画；并在 Transformer 的编码器结构中引入膨胀卷积模块，来增强模型对轴承退化局部特征的学习能力；提出了一种多特征融合的预测器结构，来提高预测模型对故障特征的整合能力。最终的验证结果表明，所提改进模型具有更高的累积相对准确度(cumulative relative accuracy, CRA)评价值。 (3) 针对大部分深度学习模型参数选择需要手动调节，导致模型参数选择过程过于复杂，而且模型预测精度不高的问题，提出了一种基于改进局部搜索的竞争粒子群优化算法(long term competition and exploration-competitive paricle swarm optimization, L-CSO)，用于 DMSF-Transformer 预测模型的参数优化选择。该算法引入了竞争与探索机制，通过一种全新的局部搜索方式寻找最优粒子，利用种群外的粒子与种群内的最优粒子相互竞争，有效避免了粒子陷入局部最优解的问题。为验证算法效果，在 17 个测试问题上与其他七种经典算法进行比较，结果表明该算法在多个测试问题上可以获得更精确的最优解。最后，将改进算法应用于预测模型参数优化中，构建了 L-CSO-DMSF-Transformer 预测模型。实验结果表明，该模型的预测精度得到了明显提高。
NETL