面向滚动轴承自驱式剩余寿命预测的在线深度迁移学习算法研究.pdf

摘要

作为各类机械设备的核心支承元件，滚动轴承的运行状态直接决定整体设备的状

态，对其开展有效的故障预测是实现预测性维修的关键。近年来，随着智能轴承的快速

应用，状态信号可从轴承内部传感器进行实时采集，在历史数据缺失的情况下、对在线

监测数据进行自驱式剩余寿命(RemainingUsefulLife,RUL)预测开始成为工业界的关注

RUL1

焦点。由于在线场景的限制，利用机器学习算法实现自驱式预测存在如下挑战：）

RUL2

在线监测数据以流数据的形式贯序采集，需自动识别预测的起点位置；）在线场

景工况通常未知，无法提前储备历史数据，若直接采用离线数据进行模型训练，又极易

3

造成模型偏差；）对在线贯序数据的自驱式预测缺乏足够的模型解释，可信性不足。

针对上述挑战，本文以退化过程的振动信号为研究对象，以离线工况到在线工况的

故障退化信息迁移为核心思路，采用域对抗神经网络和张量分解作为理论工具，深入研

究在线深度迁移学习模型构建和相应的优化求解算法，并予以几何层面的可解释分析和

时序信息的可迁移性评估，以解决未知工况下在线贯序数据的RUL预测问题。主要研

究内容如下：

1RUL

（）为自适应确定预测的起始点，本文提出一种基于细粒度特征预测的无监

督轴承早期故障在线检测框架。该框架分别考虑了有无离线数据的两种在线场景，分别

构建多维细粒度公共特征表示；其次，采用张量Tucker分解和差分自回归移动平均预

测模型，对所得特征进行趋势预测；最后，计算预测值与在线贯序数据的偏差，并据此

构建报警阈值，实现异常状态数据的在线检测。在IEEEPHMChallenge2012和XJTU-SY

数据集上的实验结果表明，该框架可直接从流数据中判别早期故障发生位置，无需假设

轴承的初始运行状态，易于在线部署。

2

（）为解决在线数据贯序到达时的模型自适应更新问题，本文提出一种自监督张

量域对抗回归适配方法。在预训练阶段，构建深度张量域对抗回归网络，提取离线全寿

命退化数据和目标域早期故障数据的核心张量，并构建交替优化训练算法，在获得最优

核心张量表示的同时，提取高质量的域无关时序特征表示；在在线阶段，利用预训练网

络初始化目标域网络，对贯序到达的在线数据块，借助预训练网络得到伪标签，并通过

计算核心张量的上下文单调性获得自监督信息，进而模型微调，实现在线数据的轻量级

RUL预测。在IEEEPHMChallenge2012和XJTU-SY数据集上进行跨工况和跨机器两

种预测实验，结果表明，对于在线工况无历史数据的情况，该方法亦可利用在线数据块

完成模型动态更新，同时保持预测精度和稳定性，适合解决在线场景的RUL预测问题。

3

（）本文进一步研究在线深度迁移学习的可解释性预测问题，构建一种自适应知

2

识迁移的张量域对抗回归预测方法。该方法以（）中模型为基础，利用核心张量作为

元退化信息表示，从几何层面上对特征重要度进行可解释评估，进而构建特征加权机制，

与张量域对抗训练进行联合优化，以获得对在线退化过程敏感的关键特征，从而提高在

线RUL预测的准确性；其次，从几何相似性和适配程度出发，提出一种多尺度的可迁

移性评估准则，量化离线退化数据对于在线数据的迁移贡献程度，以明晰整个迁移预测

模型的机制。在上述两个轴承数据集上进行验证，结果表明，该方法不仅可通过强化关

键特征来提升预测精度，更为在线RUL预测提供了特征和样本层面的可解释性分析，

提高了预测模型的可信性。

综上，本文工作不仅在理论上深入研究面向流数据的在线深度迁移学习算法，也为

滚动轴承在线故障预测提供一种实用化的应用方案，具有明确的理论意义和实用价值。

关键词：滚动轴