摘要
摘要
滚动轴承是一种在工业机械设备中具有关键性作用的零部件，其运行状态关系到
机械系统的安全稳定。随着轴承的连续运转，其性能逐渐退化，从而会导致一系列故
障发生，甚至对整个系统造成严重损失。性能退化评估与寿命预测作为滚动轴承健康
管理的重要技术，可以准确识别轴承的退化状态并对其剩余寿命进行预估，以实现对
机械系统的事前干预维护。本文基于滚动轴承的全寿命退化数据，扩展了轴承寿命预
测的理论框架。首先对滚动轴承振动信号利用注意力DBN网络进行自适应特征提取，
然后进行概率统计分析评估轴承退化状态，最后结合GRU网络实现轴承的RUL预测。
主要研究内容包括以下三个方面：
1
（）针对滚动轴承振动信号的非线性和非平稳性，且传统特征提取方法计算量大、
无法避免人工干预等问题，提出一种改进DBN的特征自适应提取方法。首先将多个
RBM叠加构建DBN网络，利用Nadam算法更新网络的连接参数；然后对DBN网络进
行多次训练试验，确定网络的隐含层数和各层节点数；最后将注意力机制引入DBN网
络，以提高模型特征提取的准确性。
2
（）为实现对滚动轴承退化数据的准确统计分析，并进行性能退化评估，引入了
容错能力更强的Ⅱ型广义logistic分布构建评估模型。首先针对该分布的特点，采用改
进FA算法实现了参数估计，优化目标函数为评估模型各时刻退化量与原始数据间的均
方误差；然后基于正态分布、威布尔分布和Ⅱ型广义logistic分布构建K-S检验模型，
分别得到显著性为5%的各分布值，结果表明Ⅱ型广义分布对轴承的退化数据
Plogistic
拟合精度更高，验证了该分布对轴承退化数据的适用性；最后利用Ⅱ-GLD位置刻度模
型实现滚动轴承性能退化评估，识别的早期退化点更精准。
（3）为提高滚动轴承RUL预测精度，提出基于GRU网络的RUL预测方法。首先
将IMS第二组实验的滚动轴承退化数据进行自适应特征提取，将2-2、2-3和2-4三个
轴承特征集作为网络的训练样本，2-1号轴承的特征集作为测试样本；然后确定GRU网
络的参数，对其进行训练学习，并由此确定最合适的起始预测点；最后将测试样本输
入到GRU网络实现RUL预测，并分别基于LSTM网络和BP网络进行RUL预测，试验
结果表明GRU网络的预测精度更高。此外，为验证预测模型的通用性，对XJTU-SY轴
承全寿命周期试验数据进行了RUL预测试验，取得了良好效果。
本文共包含图40幅，表12个，参考文献76篇。
关键词：滚动轴承；性能退化评估；剩余寿命预测；深度置信网络；门控循环单元
论文类型：基础研究
I
目录
目录
第1章绪论1
1.1研究背景及意义1
1.2国内外研究现状2
1.2.1滚动轴承特征提取研究现状2
1.2.2滚动轴承性能退化评估研究现状3
1.2.3滚动轴承寿命预测研究现状4
1.3论文结构和内容安排6
第2章滚动轴承故障机理与特征分析9
2.1滚动轴承结构及失效形式9
2.1.1滚动轴承基本原理与结构9
2.1.2滚动轴承的失效形式及形成原因10
2.2滚动轴承特征分析11
2.2.1故障特征11
2.2.2传统特征12
2.3滚动轴承退化趋势分析13
2.4试验数据介绍15
2.5本章小结16
第3章基于改进深度置信网络的滚动轴承特征提取17
3