机床与液压

作者：王志国，张新元，肖子鸣，钱东海

单位：上海大学机电工程与自动化学院；上海大学机电工程与自动化学院；上海大学机电工程与自动化学院；上海大学机电工程与自动化学院

关键词：剩余使用寿命;时间卷积网络;长短时记忆神经网络;Transformer模型;通道注意力

针对滚动轴承剩余使用寿命（RUL）预测中存在的单纯局部时序特征预测或单纯全局退化趋势预测不足的问题，提出一种融合时间卷积网络（TCN）特征提取与LSTM-Transformer特征融合的预测模型。基于时间卷积网络（TCN）构建原始振动信号特征提取器，通过膨胀因果卷积同步捕获多尺度退化特征，有效避免传统时频变换导致的相位信息损失；构建LSTM与Transformer的双流特征融合模型，其中LSTM分支通过门控机制捕捉局部细粒度时序演变模式，Transformer分支利用Transformer编码器的自注意力机制建立跨周期全局退化趋势；最后，设计改进型通道注意力动态融合模块，基于退化阶段的特征分布熵值自适应调整LSTM与Transformer双分支的权重分配，显著增强关键退化特征的表达能力。为验证模型的有效性，在XJTU-SY和PHM2012轴承数据集上与LSTM、Transformer及CNN-LSTM进行对比。结果表明：在XJTU-SY数据集上，所提模型的平均绝对误差（MAE）为0.018 9，均方根误差（RMSE）为0.023 0，其MAE相比LSTM、Transformer和CNN-LSTM模型分别降低了70.74%、82.20%和77.36%，其RMSE分别降低了71.03%、79.57%和75.10%；在PHM2012数据集上，所提模型的MAE为0.046 7，RMSE为0.056 6，其MAE相比LSTM、Transformer和CNN-LSTM模型分别降低了18.21%、17.05%和31.72%，其RMSE分别降低了18.32%、19.37%和22.03%。所提模型的预测精度更高，并具有较好的泛化性。

来源：2026年第4期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第4期