机床与液压

作者：段丁彧，李刚，齐金平

单位：兰州交通大学机电工程学院；兰州交通大学机电工程学院；兰州交通大学机电工程学院

关键词：滚动轴承;剩余寿命预测;改进星鸦算法;残差网络;双向长短期记忆网络

基金：国家自然科学基金地区科学基金项目(72361019)；中央引导地方科技发展基金项目（24ZYQA044）；兰州市科技计划项目（2023-1-16）

在智能制造转型升级进程中，高速列车轴承的剩余使用寿命预测面临三大技术挑战：复杂工况下振动信号的非平稳特征难以表征，设备全生命周期数据稀缺导致的模型泛化瓶颈，以及传统深度学习模型参数优化效率低。为解决上述问题，提出一种改进星鸦优化算法（NOA）优化残差网络和双向长短期记忆网络（ResNet-BiLSTM）组合模型的滚动轴承剩余寿命预测方法。构建基于峭度-相关系数双准则的变分模态分解（VMD）预处理机制，对原始振动信号进行自适应分解与重构，以抑制噪声与模态混叠，准确提取退化特征。构建ResNet-BiLSTM混合深度学习模型：利用ResNet的残差块强化对时域微弱故障特征的提取能力，通过BiLSTM捕捉退化过程的长期时序依赖关系。针对模型超参数优化难题，引入融合正余弦算法（SCA）的改进星鸦优化算法（SCA-NOA），在参数空间进行高效全局搜索与局部求精。最后，在XJTU-SY和IEEE PHM 2012两个公开轴承全寿命数据集上进行实验验证。结果表明：所提模型在预测精度与泛化性上均显著优于对比模型。在XJTU-SY数据集（轴承A4）上，模型取得了最低的MAE（0.066 8）和RMSE（0.085 1），以及最高的R2（0.926 6）；在PHM 2012数据集（轴承B3）上同样表现最优，MAE为0.067 1,RMSE为0.081 1,R2为0.924 3，证明所提模型优越的预测性能。

来源：2026年第3期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第3期