Este estudo foca na previsão precisa e confiável da vida útil residual (RUL) de rolamentos. Nos últimos anos, a previsão de RUL baseada em aprendizado de máquina tem atraído atenção para garantir a segurança, eficiência e custo-benefício das máquinas industriais. No entanto, os sinais de vibração brutos coletados a partir de experimentos de operação por toda a vida útil geralmente apresentam alto ruído, não estacionariedade e alta dimensionalidade, tornando desafiador o aprendizado direto dos padrões de degradação. Isso frequentemente leva a previsões inconsistentes do RUL em momentos dados, enfraquecendo a confiabilidade da previsão. Para isso, este estudo propõe uma estrutura confiável de previsão em múltiplas etapas, integrando pré-processamento robusto de sinal, classificação do estado de saúde baseada em dados e estimativa de RUL baseada em deep learning. O processo utiliza aproximação agregada segmentada para redução de dimensionalidade, emprega análise espectral singular para suprimir ruído e introduz um método de detecção de pontos de mudança baseado em momentos centrais para identificar automaticamente o ponto inicial da degradação. Em seguida, são construídos indicadores de saúde para caracterizar o processo de degradação e a vida útil efetiva. Um classificador Extreme Gradient Boosting é usado para distinguir o estado saudável do estado degradado do rolamento com base na resposta de vibração. Posteriormente, é proposta uma rede neural híbrida convolucional reiterativa com portas (CGR) para prever o RUL. O método foi validado em vários conjuntos de dados de rolamentos com vida útil total sob diferentes condições de operação. Os resultados correspondentes mostram que a pontuação média F1 do classificador alcançou cerca de 0,993, e os índices de confiabilidade são maiores que 2,0, indicando sua capacidade de identificar claramente o estado de saúde. A rede CGR proposta demonstrou desempenho excelente com alta precisão de regressão para a previsão de RUL. A eficácia da rede foi comparada com os métodos mais avançados atuais (incluindo redes LSTM bidirecionais, unidades recorrentes com portas, redes residuais densas baseadas em convoluções dilatadas causais combinadas com mecanismo de atenção por canal, assim como redes convolucionais temporais baseadas em Transformers). Em geral, os resultados confirmam que a estrutura proposta pode realizar previsão precisa, computacionalmente eficiente e confiável de RUL, tornando-a adequada para monitoramento em tempo real e manutenção preditiva de máquinas rotativas.

previsão de falhas; avaliação da confiabilidade na previsão de RUL; processamento de sinal de vibração; deep learning