Diese Studie konzentriert sich auf die genaue und zuverlässige Vorhersage der Restnutzungsdauer (RUL) von Lagern. In den letzten Jahren hat die auf maschinellem Lernen basierende RUL-Vorhersage Aufmerksamkeit erlangt, da sie die Sicherheit, Effizienz und Kosteneffektivität von Industriemaschinen gewährleistet. Die rohen Vibrationssignale, die aus volllebenszyklusbetrieblichen Experimenten gesammelt werden, sind jedoch oft durch hohe Geräuschpegel, Nichtstationarität und hohe Dimensionalität gekennzeichnet, was das direkte Erlernen von Degradationsmustern erschwert. Dies führt häufig zu inkonsistenten RUL-Vorhersagen zu einem gegebenen Zeitpunkt, was die Zuverlässigkeit der Vorhersage beeinträchtigt. Daher schlägt diese Studie einen zuverlässigen mehrstufigen Vorhersagerahmen vor, der robuste Signalvorverarbeitung, datengetriebene Gesundheitszustandsklassifizierung und eine auf Deep Learning basierende RUL-Schätzung integriert. Der Prozess verwendet segmentierte aggregierte Approximation zur Dimensionsreduktion, nutzt singuläre Spektralanalyse zur Rauschunterdrückung und führt eine wechselpunktbasierte Methode auf Basis zentraler Momente ein, um den Beginn der Degradation automatisch zu erkennen. Anschließend wurden Gesundheitsindikatoren zur Charakterisierung des Degradationsprozesses und der effektiven Lebensdauer erstellt. Ein Extreme Gradient Boosting-Klassifikator wird verwendet, um den gesunden vom degradierten Betriebszustand des Lagers anhand der Vibrationsantwort zu unterscheiden. Danach wurde ein hybrides Convolutional Gated Recurrent (CGR) neuronales Netzwerk zur RUL-Vorhersage vorgeschlagen. Die Methode wurde an mehreren Datensätzen mit vollständiger Lebensdauer von Lagern unter verschiedenen Betriebsbedingungen validiert. Die entsprechenden Ergebnisse zeigen, dass die durchschnittliche F1-Punktzahl des Klassifikators etwa 0,993 erreicht und die Zuverlässigkeitsindikatoren über 2,0 liegen, was seine Fähigkeit zur klaren Identifikation des Gesundheitszustands belegt. Das vorgeschlagene CGR-Netzwerk zeigte hervorragende Leistung mit hoher Regressionsgenauigkeit bei der RUL-Vorhersage. Die Leistung dieses Netzwerks wurde mit den derzeit fortschrittlichsten Methoden verglichen (einschließlich bidirektionaler Langzeit-Kurzzeit-Gedächtnis-Netzwerke, Gated Recurrent Units, kausal-erweiterter Faltungs-basierter Residual-Dichtnetzwerke kombiniert mit Kanal-Achtsamkeitsmechanismen sowie Transformer-basierter Zeitfaltungsnetzwerke). Insgesamt bestätigen die Ergebnisse, dass der vorgeschlagene Rahmen eine genaue, recheneffiziente und zuverlässige RUL-Vorhersage ermöglicht, die für die Echtzeitüberwachung und prädiktive Wartung rotierender Maschinen geeignet ist.

Fehlerprognose; Zuverlässigkeitsbewertung der RUL-Vorhersage; Vibrationssignalverarbeitung; Deep Learning