机床与液压

作者：夏瑞辰，王衍学，王祎颜，郑峰，张晋瑞，王成明

单位：北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院

关键词：滚动轴承;剩余使用寿命;健康指标;时间卷积网络;稀疏注意力

基金：国家自然科学基金项目(52275079)；广西科技重大专项(桂科 AA23062031)；北京市西城区优秀人才培养项目 (06268321001)；青年北京学者项目 (21147523014)；北京建筑大学研究生创新项目(PG2024143)

针对轴承振动信号中噪声干扰显著、退化特征非线性耦合及状态表征模糊等问题，提出一种基于融合相似特征的多头稀疏注意力时序卷积网络(MHSA-TCN)，以提升健康指标(HI)构建质量与剩余使用寿命(RUL)预测精度。构建时域、频域和时频域的多维特征，并通过Pearson相关性系数量化特征与退化轨迹的单调性和趋势性关联度，筛选出敏感特征集；基于核主成分分析(KPCA)实现非线性特征融合，构建高信息密度、强退化表征能力的HI，以解决传统线性降维方法在复杂工况下特征解耦的不足;设计融合多头稀疏注意力机制(MHSA)的TCN模型，通过并行稀疏注意力头自适应捕捉多尺度退化特征依赖关系，结合空洞卷积的时序建模能力，提高退化趋势辨识度与噪声鲁棒性;最后，通过PHM2012轴承数据集对所提方法进行验证。实验结果表明：基于融合相似特征的 MHSA-TCN方法所构造的 HI 比 RMS 更能准确地反映轴承的退化趋势。PHM2012数据集上的验证显示：相比1D-CNN、BiLSTM、TCN方法，MHSA-TCN方法在精确RUL预测方面表现优异，其预测的均方根误差分别降低了 34.95%、40.18%和22.09%，决定系数分别提升了8.05%、11.90%和3.30%，验证了该方法在复杂工况下的有效性。

来源：2026年第2期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第2期