Данное исследование сосредоточено на точном и надёжном прогнозировании остаточного ресурса (RUL) подшипников. В последние годы прогнозирование RUL на основе машинного обучения привлекло внимание благодаря обеспечению безопасности, эффективности и экономичности промышленного оборудования. Однако исходные вибрационные сигналы, собранные в ходе опытов полного срока службы, обычно характеризуются высоким уровнем шума, нестационарностью и высокой размерностью, что затрудняет непосредственное изучение моделей деградации. Это часто приводит к непоследовательным прогнозам RUL в конкретные моменты времени, снижая надёжность предсказаний. В связи с этим в исследовании предложена надёжная многоэтапная структура прогнозирования, объединяющая устойчивую предобработку сигнала, классификацию состояния здоровья на основе данных и оценку RUL, основанную на глубоком обучении. Процесс включает сегментированное агрегированное приближение для уменьшения размерности, подавление шума с помощью сингулярного спектрального анализа и автоматическое выявление начальной точки деградации методом изменения точек на основе центральных моментов. Далее были построены индикаторы здоровья для характеристики процесса деградации и эффективного ресурса. Применён классификатор с экстремальным градиентным бустингом для разделения здорового и деградирующего состояний подшипника на основе вибрационного отклика. Затем предложена гибридная сверточная сеть с затворной рекуррентной структурой (CGR) для прогнозирования RUL. Метод был проверен на нескольких наборах данных со сроком службы подшипников в различных рабочих условиях. Результаты показали, что средний F1-балл классификатора достиг приблизительно 0.993, а показатели надёжности превышали 2.0, что демонстрирует его способность чётко идентифицировать состояние здоровья. Предлагаемая CGR-сеть проявила отличную производительность с высокой точностью регрессии при прогнозировании RUL. Эффективность сети была сравнена с современными методами, включая двунаправленные LSTM, рекуррентные блоки с затворами, остаточные и плотные сети с причинно-расширенными свёртками и механизмом внимания по каналам, а также временные свёрточные сети на основе трансформеров. В целом, результаты подтверждают, что предложенная структура позволяет осуществлять точное, вычислительно эффективное и надёжное прогнозирование RUL, подходящее для мониторинга состояния и предиктивного обслуживания роторного оборудования.

прогнозирование отказов; оценка надёжности прогнозирования RUL; обработка вибрационных сигналов; глубокое обучение