轴承寿命预测模型

提出小样本增强的可解释迁移学习框架，提升跨工况轴承剩余寿命预测的稳定性和准确性。

TongShan, Liu · Li, Yiming · Zhihao, Hu · Congjie, Fu · Song, Guiqiu

Advanced Engineering Informatics 2026

技术优势

源域特征更稳健

通过去噪自编码器增强源域数据，提升特征表示的鲁棒性，从而更好地适应目标域。

关键退化模式可解释

引入可解释注意力模块提取深层时序特征，强化关键退化模式的贡献，使预测过程更可信。

多源协同动态优化

提出多源域迁移机制，动态优化多源域协同迁移过程，提升复杂环境下的稳定性。

应用场景

• 旋转机械健康管理：用于跨工况下轴承剩余寿命预测，提升健康管理精度。
• 故障预测与健康管理：在数据稀缺时仍能稳定预测，减少对大量标注数据的依赖。
• 工业机器人维护：通过准确预测轴承寿命，优化工业机器人关节维护计划。