基于Legendre多小波和迁移学习的滚动轴承剩余寿命预测研究.pdfVIP

摘要

滚动轴承作为机械设备中的重要组成部分，在工业生产中扮演着至关重要的角

色。然而，随着使用时间的增加和工作环境的变化，轴承会逐渐出现退化和损伤，

这可能会导致设备故障，进而造成生产中断和经济损失。因此，准确预测滚动轴承

的剩余寿命对于确保设备的可靠性和延长设备的使用寿命具有重要意义。本研究聚

焦于滚动轴承剩余寿命预测问题，旨在提出一种基于Legendre多小波和迁移学习的

新方法。本研究主要研究内容如下：

1）提出了一种基于Legendre多小波提取滚动轴承退化特征的方法，该方法致

力于解决轴承振动信号中多尺度、多频率信息提取的问题。本研究使用了XJTU-SY

数据集中的轴承信号，使用Legendre多小波将轴承信号分解为多层次的小波系数，

计算统计学特征并降维，形成轴承退化特征曲线。实验结果表明，本文方法在趋势

性和单调性两个指标上均取得了较好的效果。这表明该方法在轴承健康状态预测中

具有更高的准确性和可靠性。

2）提出了LMWT-Transformer模型用于滚动轴承的剩余寿命预测模型，解决了

剩余寿命预测中长序列数据处理和捕捉长距离依赖关系的挑战。本研究使用XJTU-

SY数据集中的轴承信号，并利用LMWT方法提取轴承的退化特征曲线，确定退化

开始点。然后，将退化开始点之后的振动数据作为训练集，利用LMWT-Transformer

模型进行训练，并对轴承剩余寿命进行预测。实验结果表明，本研究提出的方法在

平均绝对误差和实用性分数两个指标上表现显著。这表明LMWT-Transformer模型在

轴承剩余寿命预测任务中具有更高的准确性和实用性。

3）提出了基于LMWT-Transformer的子域自适应用于轴承剩余寿命预测的方法，

解决了获取大量标记好的轴承剩余寿命数据昂贵且耗时的问题，并能够应对不同轴

承工作环境的振动特征变化。通过将XJTU-SY数据集和PHM2012数据集中的不同

工况分别作为源域和目标域，结合LMWT方法提取轴承的退化特征曲线，并使用

LMMD函数匹配子域特征，实现了在源域和目标域上的训练。最后，再两个数据集

的多个迁移任务中进行实验，结果表明，所提出的方法的滚动轴承剩余寿命预测性

能优于全局领域适应的方法，表明该方法在轴承剩余寿命预测中具有较好的效果和

可行性。

关键词：滚动轴承；轴承剩余寿命预测；深度学习；Legendre多小波；子域自

适应；迁移学习

）AmethodbasedonLegendremulti-waveletsforextractingdegradationfeatures

ofrollingbearingsisproposed.Thismethodaimstoaddresstheproblemofextractingmulti-

scaleandmulti-frequencyinformationfrombearingvibrationsignals.Themethoduses

bearingsignalsfromtheXJTU-SYdataset,decomposesthebearingsignalsintomulti-level

waveletcoefficientsusingLegendremulti-wavelets,calculatesstatisticalfeatures,and

reducesdimensionstoformbearingdegradationfeaturecurves.Experimentalresultsshow

thatthismethodachievesgoodperformanceintermsoftrendabilityandmonotonicity,

indicatinghigheraccuracyandreliabilityinpredictingbearinghealthstatus.

2）TheLMWT-TransformermodelisproposedfortheRULpredictionof