机床与液压

作者：张发振，张清华，秦宾宾，朱冠华，黄权斯，刘学斌

单位：广东石油化工学院自动化学院；吉林化工大学信息与控制工程学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院；广东石油化工学院博士后创新实践基地；广东石油化工学院自动化学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院

关键词：剩余使用寿命;轴承;因果卷积神经网络;CNN-Transformer;交叉注意力

基金：国家自然科学基金 重点项目(61933013)；广东省普通高校重点领域专项(高端装备制造)（2023ZDZX3015）

针对现有深度学习滚动轴承预测方法存在的预测准确度不足、学习长期依赖关系困难以及特征信息表达单一等问题，提出一种基于CNN-Transformer并行网络结合交叉注意力机制融合时域和频域信息的轴承剩余使用寿命预测方法。利用快速傅里叶变换（FFT）提取输入信号的频域特征，使用因果卷积运算提取时频域局部特征，并通过Transformer编码层增强模型对特征的表达能力，最终通过交叉注意力机制融合两种特征。此方法有效利用了时域和频域信息的互补性，显著提升了滚动轴承RUL预测的性能，并在IEEE PHM 2012数据集上进行了验证。结果表明：相比CT、CLSTM、CNN和LSTM预测方法，所提方法的预测结果最优，相邻预测结果的波动性更小。其中，平均绝对误差（MAE）和均方根误差（RMSE）均为最低。在工况1的3号轴承验证中，所提方法的RUL预测MAE值分别比其他4种模型降低了15.0%、20.6%、44.1%和56.4%；在工况2的4号轴承验证中，RUL预测RMSE值分别降低了41.1%、50.9%、72.4%和73.1%，表明所提滚动轴承剩余使用寿命预测方法具有更高的精度。

来源：2025年第14期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第14期