中国安全科学学报

工况	工况1	工况1	工况3
转速/(r·min^-1)	2 100	2 250	2 400
径向力/kN	12	11	10

工况	工况1	工况1	工况3
转速/(r·min^-1)	2 100	2 250	2 400
径向力/kN	12	11	10

数据集(工况)	样本总数	L₁₀/h	实际寿命/min	失效位置
Bearing 1_1(1)	123	5.600~9.677	123	外圈
Bearing 1_2(1)	161	161	外圈
Bearing 1_3(1)	158	198	外圈
Bearing 1_4(1)	122	122	保持架
Bearing 1_5(1)	52	52	内圈、外圈
Bearing 2_1(2)	491	6.786~11.726	491	内圈
Bearing 2_2(2)	161	161	外圈
Bearing 2_3(2)	533	533	保持架
Bearing 2_4(2)	42	42	外圈
Bearing 2_5(2)339		339	外圈
Bearing 3_1(3)	2 538	8.468 ~14.632	2 538	外圈
Bearing 3_2(3)	2 496	2 496	内圈、滚动体、保持架、外圈
Bearing 3_3(3)	371	311	内圈
Bearing 3_4(3)	1 515	1 515	内圈
Bearing 3_5(3)	114	114	外圈

数据集(工况)	样本总数	L₁₀/h	实际寿命/min	失效位置
Bearing 1_1(1)	123	5.600~9.677	123	外圈
Bearing 1_2(1)	161	161	外圈
Bearing 1_3(1)	158	198	外圈
Bearing 1_4(1)	122	122	保持架
Bearing 1_5(1)	52	52	内圈、外圈
Bearing 2_1(2)	491	6.786~11.726	491	内圈
Bearing 2_2(2)	161	161	外圈
Bearing 2_3(2)	533	533	保持架
Bearing 2_4(2)	42	42	外圈
Bearing 2_5(2)339		339	外圈
Bearing 3_1(3)	2 538	8.468 ~14.632	2 538	外圈
Bearing 3_2(3)	2 496	2 496	内圈、滚动体、保持架、外圈
Bearing 3_3(3)	371	311	内圈
Bearing 3_4(3)	1 515	1 515	内圈
Bearing 3_5(3)	114	114	外圈

工况类别	工况1	工况2	工况3
训练集	轴承1-1	轴承2-1	轴承3-1
轴承1-2	轴承2-2	轴承3-2
验证集	轴承1-3	轴承2-3	轴承3-3
轴承1-4	轴承2-4	轴承3-4
轴承1-5	轴承2-5	轴承3-5

工况类别	工况1	工况2	工况3
训练集	轴承1-1	轴承2-1	轴承3-1
轴承1-2	轴承2-2	轴承3-2
验证集	轴承1-3	轴承2-3	轴承3-3
轴承1-4	轴承2-4	轴承3-4
轴承1-5	轴承2-5	轴承3-5

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.153	0.138	0.139
Bearing 2_4	0.121	0.122	0.052
Bearing 3_1	0.146	0.124	0.071
平均值	0.140	0.128	0.087

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.153	0.138	0.139
Bearing 2_4	0.121	0.122	0.052
Bearing 3_1	0.146	0.124	0.071
平均值	0.140	0.128	0.087

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.232	0.214	0.182
Bearing 2_4	0.137	0.141	0.059
Bearing 3_1	0.168	0.149	0.108
平均值	0.179	0.168	0.116

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.232	0.214	0.182
Bearing 2_4	0.137	0.141	0.059
Bearing 3_1	0.168	0.149	0.108
平均值	0.179	0.168	0.116

基于N-BEATS的托辊滚动轴承剩余寿命预测

PDF下载

滕春阳 , 李庆健 , 陈金刚 , 张建飞 , 薛国庆

中国安全科学学报 | 安全工程技术 2024,34(S1): 246-252

收起

中国安全科学学报 | 安全工程技术 2024, 34(S1): 246-252

基于N-BEATS的托辊滚动轴承剩余寿命预测

全屏

滕春阳, 李庆健, 陈金刚, 张建飞, 薛国庆

作者信息

国能宝日希勒能源有限公司，内蒙古呼伦贝尔 021000

滕春阳 (1995—)，男，满族，辽宁凤城人，本科，主要从事煤矿智能化及煤矿机电管理工作。E-mail：1442926901@qq.com。

李庆健，工程师

Remaining life prediction of roller bearings based on N-BEATS

Chunyang TENG, Qingjian LI, Jingang CHEN, Jianfei ZHANG, Guoqing XUE

Affiliations

CHN Energy Baorixile Energy Co.，Ltd.，Hulun Buir Inner Mongolia 021000，China

出版时间: 2024-06-30 doi: 10.16265/j.cnki.issn1003-3033.2024.S1.0030

文章导航

摘要

收起

为减少煤矿井下带式输送机因托辊故障带来的安全事故和经济损失，提高工作人员和机组设备的安全性和运输效率，对于不同工况下不同位置托辊滚动轴承出现的异常振动情况，应用具有深层结构和残差网络的N-BEATS预测模型进行滚动轴承寿命预测。首先，分析时间序列预测模型N-BEATS的原理及结构，并根据N-BEATS原理建立适用于托辊滚动轴承的寿命预测模型；然后，以某矿带式输送机托辊实际运行工况为背景，搭建基于DVS技术的托辊滚动轴承振动信号监测平台，采集不同工况下的托辊轴承振动信号数据；最后，将采集到的托辊滚动轴承振动数据输入到基于时间序列预测模型(N-BEATS)、卷积神经网络(RCNN)、相似性预测模型中，与真实值进行对比，并评估3种托辊滚动轴承剩余寿命预测质量。结果表明：N-BEATS预测模型相对于RCNN和相似性预测模型，其平均绝对误差分别提升了5.3%和4.1%;N-BEATS预测模型相对均方根误差分别提升了6.3%和5.2%。

关键词

基于时间序列(N-BEATS)预测模型 / 托辊 / 滚动轴承 / 寿命预测 / 带式输送机 / 振动信号

Abstract

收起

In order to reduce safety accidents and economic losses caused by roller failures of underground belt conveyors in coal mines and improve the safety and transportation efficiency of workers and unit equipment，the N-BEATS prediction model with deep structure and residual network was applied to predict the life of rolling bearings for abnormal vibration of roller bearings at different positions under different working conditions. Firstly，the principle and structure of the N-BEATS prediction model were analyzed，and a life prediction model suitable for roller bearings was established based on the N-BEATS principle. Then，a vibration signal monitoring platform for roller bearings based on DVS technology was built against the actual roller operating conditions of a conveyor belt. The vibration signals of roller bearings under different working conditions were collected. Finally，the collected vibration data of roller bearings were input into the N-BEATS model，convolutional neural network (RCNN)，and similarity prediction model，and they were compared with the actual values. The remaining life prediction quality of the three types of roller bearings was evaluated. The results show that the N-BEATS prediction model has an average absolute error increase of 5.3% and 4.1%，respectively，compared to RCNN and similarity prediction models. The relative root mean square error of the N-BEATS prediction model is increased by 6.3% and 5.2%.

Key words

neural basis expansion analysis for interpretable time series (N-BEATS) prediction model / roller / rolling bearing / life prediction / belt conveyor / vibration signal

引用本文

滕春阳, 李庆健, 陈金刚, 张建飞, 薛国庆. 基于N-BEATS的托辊滚动轴承剩余寿命预测. 中国安全科学学报, 2024 , 34 (S1) : 246 -252 . DOI: 10.16265/j.cnki.issn1003-3033.2024.S1.0030

Chunyang TENG, Qingjian LI, Jingang CHEN, Jianfei ZHANG, Guoqing XUE. Remaining life prediction of roller bearings based on N-BEATS[J]. China Safety Science Journal, 2024 , 34 (S1) : 246 -252 . DOI: 10.16265/j.cnki.issn1003-3033.2024.S1.0030

正文

收起

0 引言

收起

带式输送机处于煤炭运输系统的中枢环节，其托辊滚动轴承的性能会随使用时间的增长逐渐衰退，且这一退化过程受到工作环境、负载状态等多种因素影响，呈现出不确定性和非线性的特征^[1]。其一旦出现故障，会导致输送带撕裂、零部件挤压变形，将造成物料的大量堆积，并因链式反应而导致矿井停产造成经济损失，引起安全事故，更严重的会造成人员伤亡^[2]。

鉴于此，笔者拟提出一种基于时间序列预测模型(Neural Basis Expansion Analysis for Interpretable Time Series Forecasting，N-BEATS)的托辊滚动轴承剩余寿命预测方法，通过搭建带式输送机托辊轴承故障检测试验台，采集不同工况下托辊的振动信号，并将该托辊滚动轴承剩余寿命预测模型与区域卷积神经网络(Regions with Convolutional Neural Networks，RCNN)和相似性预测模型对比，以期提高托辊滚动轴承剩余寿命预测精度。

1 N-BEATS原理及结构

收起

传统的时间序列分析法通常涉及趋势变化、周期变化、不规则波动和循环波动等变化状态的叠加或耦合。N-BEATS 的基本架构如图1所示。N-BEATS 神经结构由多个栈组成，每个栈由多个块结构组成。块结构的上半部分是一个完全连接的4层全连接网络，K为时间序列分解层数，经过2个分支分别输出前向

θ l f

和后向

θ l b

的预测系数。这里的预测系数可理解为存储着时间序列信息的低维向量；块结构的下半部分计算式如下：

(1)

(y b) y^l = G l f (θ l f) ， (y f) x^l = G l b (θ l b)

多个块结构连接在一起形成一个栈，并且整体上以双重残差结构展现，内部还包括前向预测残差分支和后向预测残差分支。在后向预测残差分支中，将每个块结构的(y_b)

y^l

及其接收的整个输入残差值作为下一个块结构的输入，最终作为下一个栈的输入。而在前向预测残差分支中，将每个块的输出(y_f)

x^l

进行累加，作为对应栈的输出，而模型所有栈的输出则是这些部分输出的累加结果，最终构成了整体的输出。

块是N-BEATS 网络中的最小组成单元之一，块与堆栈结构如图2所示。图2展示了第1个块的结构。每个块都接受1个输入，并产生2个输出值。对于第l个块，其输入x_l来自整个模型的输入x，而第l块的输入x_l来自第l-1块的残差输出。第1个块分别产生2个输出值，分别是回溯(b)

x^l

元和预测(f)

y^l

元，通常情况下，回溯值的长度是预测值长度的2~7倍。上述过程可由下列公式表示：

(2)

h l ， 1 = C (x l) ， h l ， i = C (h l - 1 ， i)

(3)

h l ， 1 = R E L U (w l ， 1 x l + b l ， 1)

(4)

θ l b = L I N E A R (h l ， 4) ， θ l f = L I N E A R (h l ， 4)

式中：C为带有Relu激活函数的非线性全连接层；h_l_，1为第l个块中第i层经过C后生成的映射；w_l_，1为神经元的权重 ;b_l_，1为神经元的偏置；

θ l f

和

θ l b

分别为第l个块的正向预测基展开系数和后向预测基展开系数；LINEAR为不带有任何激活函数的线性映射层。

θ l f

和

θ l b

会通过

G l f

和

G l b

函数生成预测输出和回测输出，其中，

G l b

能够移除不利于后续预测的信息，而

G l f

能够用来优化当前块预测输出的精度。G函数是可以配置的，通过选择不同的函数能够消除输入序列的不同成分。

堆栈(stack)是N-BEATS网络中的另一种单元结构，图2中为第1个堆栈的结构。堆栈采用双残差拓扑结构，与块的输入输出类似，包含1个输入和2个输出。第1个堆栈的输入等于整个模型的输入，而其他堆栈的输入

x^l

来自上1个堆栈传入的残差。每个堆栈会输出1个预测值

y^

，该预测值是所有块预测的叠加总和。上述过程可表示为：

(5)

x l = x l - 1 - x^l - 1

(6)

y = ∑ l y l

式中：x_l为某个栈中第l块的输入；x_l_-1为某个栈中第l-1块的输入；

x^l - 1

为第l-1个块的后向预测残差；

y^

为每个堆栈输出的预测值；

∑ l y^l 为 所 有 块 预 测 的 叠 加 总 和 。

2 建立预测模型结构

收起

研究滚动轴承的剩余寿命预测实质上是选取能代表退化趋势的指标，进行非线性回归预测。应用神经网络预测时，通常需要讨论单变量多步预测问题。单变量多步预测结构包括直接预测结构、递归预测结构和直接递归预测结构。在这些结构中，递归预测指的是在预测时使用相同预测模型的多个周期，并将上一个周期的预测值作为下一个周期预测的输入。该过程的计算过程如下：

(7)

y^n + h = f^(y N ， … ， y N - d + 1) ， h = 1 f^(y N + h - 1 ， … ， y N + 1 ， y N ， … ， y N - d + 1) ， h ∈ {2，3 ， … ， H}

式中：h为已经预测的长度；N为待预测序列的长度；d为输入变量的长度；H为需要预测的总长度。直接预测是指当需要预测序列的总长度为H时，使用M种不同的模型分别预测每个待预测的值。该预测结构将序列视为独立数据，忽略了变量之间的相关性。

直接预测法精度较低，其预测模型计算过程如下：

(8)

y^N + h = {f^h (y N ， … ， y N - d + 1) ， h ∈ {1，2 ， … ， H}}

利用数据集进行剩余寿命预测时，总是希望在历史数据相对较少的情况下预测的结果更准确，以更好地对轴承健康时间做出正确判断。因此，需要借助递归预测结构进行预分析，而 N-BEATS 应用的原理是直接预测结构，因此，文中将2 种结构相结合以提高精度。即将上一个周期的预测值作为下一个预测周期的数据集的一部分，其预测模型如图3所示。

其中，t为输入变量的长度；n为1个周期预测周期的长度；m为预测周期的个数。

3 试验系统搭建及数据采集

收起

3.1 分布式光纤振动监测系统搭建

试验系统的硬件设施包括滚动轴承故障试验台、振动信号光纤、不同故障类型的滚动轴承、数据采集系统。试验中采用的带式输送机托辊滚动轴承故障试验系统如图4所示，试验系统运转时，轴带动轴承内圈固定不转，轴承外圈旋转。采集到的振动信号通过特征提取、故障诊断等智能分析上传到客户端以监测设备状态。

3.2 试验数据采集方案

分布式光纤主要用于监测振动信号，故选择4芯单模光缆，常见的单模4芯光缆的光纤直径为9/125 μm，可用于连接不同的设备或模块以实现高速数据传输和通信。根据现场地形、设备和其他障碍物，为使光缆能尽可能达到使用效果，选择将光缆铺设于槽钢上部或内部。

为使光纤诊断更加准确，选择铺设20 m光纤进行对比试验，前10 m光纤采用打孔安装，后10 m光纤直接安装在槽钢上部。铺设完成后安装光纤接头盒和其他光缆附件。将铺设的20 m光纤处更换上输送机损坏托辊，经过多次测试和试验，能及时诊断出现故障的部位并报出相关位置，并通过对比，得出打孔布置的光纤检测故障振动信号更强。

试验设计包括3种工况，每种工况的数据集中的转速和径向力各不相同。转速主要由交流电机的转速控制器设置和调节，而径向力则由液压加载系统产生。施加在轴承中的3种工况见表1。

通过测量振动加速度获取滚动轴承剩余寿命预测数据集。在不同工况下，滚动轴承的剩余使用寿命和失效位置各不相同，详细介绍见表2。

试验采样频率设置为25.6 kHz，采样间隔为1 min，每次采样时长为1.28 s。文中选取工况1中的轴承1_4，工况2中的轴承2_4以及工况3中的轴承3_3进行算法验证，训练集与验证集划分见表3。

4 试验结果分析

收起

选取轴承1_4的退化阈值作为起始预测点，以及10个数据点作为历史数据集。在第1个周期进行了5个数据点的预测，然后将预测得到的数据点与历史数据共15个点一起作为神经网络的输入，以预测下一个周期的5个数据点，共进行2个周期的预测。N-BEATS方法与其他2种方法的对比结果如图5所示。

N-BEATS方法以轴承2_4的退化阈值作为起始预测点，并选择了85个数据点作为历史数据集。在第1个周期进行了25个数据点的预测，随后将预测得到的数据点与历史数据共110个点作为神经网络的输入，用以预测下一个周期的45个数据点，共进行2个周期的预测。该方法与其他2种预测方法的对比结果如图6所示。

采用轴承3_3的退化阈值作为起始预测点，并将该点作为起始点，选择25个数据点作为历史数据集。在第1个周期进行了15个数据点的预测，然后在第2个周期进行了7个数据点的预测，总共进行2个周期的预测。该方法与其他2种方法的对比结果如图7所示。

在采集的托辊滚动轴承剩余寿命数据集中，每个数据点代表1 min。如果预测的退化指标值等于失效阈值，可以判定滚动轴承已经失效。则可以将退化指标中从起始预测点到失效阈值所经历的数据点转换为滚动轴承的剩余使用时间。数据集中的剩余寿命比例如图8所示。

5 试验结果评价

收起

为评估预测效果，使用平均绝对误差和相对均方根误差作为准确率的度量标准。计算过程如下：

(9)

M A E = 1 s ∑ i = 1 s y i - y r

(10)

R M S E = 1 s ∑ i = 1 s (y i - y r) 2

式中：y_r为第i时刻的真实值；y_i为第i时刻对应的预测值；s为数据长度。

评价辊滚动轴承寿命预测效果时，计算了3种工况下预测值的平均绝对误差和相对均方根误差，分别见表4和表5。针对文中提出的算法，发现相对于RCNN和相似性预测模型，其平均绝对误差分别提升了5.3%和4.1%，相对均方根误差分别提升了6.3%和5.2%。

由表4和表5可知：对于3种不同工况下的轴承寿命预测数据集，文中提出的预测神经网络和预测结构均展现出较传统算法更好的预测效果。

6 结论

收起

1) 将N-BEATS模型与RCNN和相似性预测模型对比，相对于RCNN和相似性预测模型，N-BEATS模型平均绝对误差分别提升了5.3%和4.1%。

2) N-BEATS模型相对于RCNN和相似性预测模型，其相对均方根误差分别提升了6.3%和5.2%。

3) 目前仅分析和对比了N-BEATS模型、RCNN和相似性预测模型下的寿命预测，存在一定局限性，下一步将N-BEATS预测模型和更多模型对比，进一步提高寿命预测精度。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

齐庆杰, 王欢, 董子文, 等. 矿井胶带运输巷火灾蔓延规律的数值模拟研究[J]. 中国安全科学学报, 2016, 26(10):36-41.

Qingjie

, WANG

Huan

, DONG

Ziwen

, et al. Numerical simulation of belt conveyor fi re spreading law in coal mine[J]. China Safety Science Journal, 2016, 26(10): 36-41.

[2]

李铬, 李春广, 梁睦, 等. 煤矿带式输送机事故分析及防护措施[J]. 中国安全科学学报, 2006, 18(3):140-144,148.

, LI

Chunguang

, LIANG

, et al. Accident analysis of belt conveyor used in coal mine and its protective measures[J]. China Safety Science Journal, 2006, 18(3): 140-144,148.

[3]

都平安, 韩刚, 李金泊, 等. 基于Ansys的前倾托辊组疲劳寿命分析[J]. 起重运输机械, 2024,(3): 27-32.

Ping'an

, HAN

Gang

, LI

Jinbo

, et al. Fatigue life analysis of forward-leaning idler set based on ansys[J]. Hoisting and Conveying Machinery, 2024,(3): 27-32.

[4]

高波, 袁媛, 岳伟, 等. 基于机器学习的托辊故障等级评价模型研究[J]. 物流科技, 2023, 46(13): 32-35.

GAO

, YUAN

Yuan

, YUE

Wei

, et al. Research on fault grade evaluation model of roller based on machine learning[J]. Logistics Sci-Tech, 2023, 46(13): 32-35.

[5]

王善忠, 杨绍雷, 李深. 托辊耐久性设计及其应用研究[J]. 中国机械, 2023(7): 52-55.

WANG

Shanzhong

, YANG

Shaolei

, LI

Shen

. Durability design and application research of idler[J]. Machine China, 2023(7): 52-55.

[6]

李锋. 托辊寿命快速试验方法的研究[J]. 煤矿机械, 2021, 42(3): 38-40.

Feng

. Research on rapid test method of idler life[J]. Coal Mine Machinery, 2021, 42(3): 38-40.

[7]

戴忠林. 带式输送机托辊轴承故障智能诊断与寿命预测研究[D]. 阜新: 辽宁工程技术大学, 2022.

DAI

Zhonglin

. The study of intelligent diagnosis and life prediction for idler bearing fault of belt Conveyor[D]. Fuxin:Liaoning Technical University, 2022.

[8]

姚德臣, 李博阳, 刘恒畅, 等. 基于注意力GRU算法的滚动轴承剩余寿命预测[J]. 振动与冲击, 2021, 40(17): 116-123.

YAO

Dechen

, LI

Boyang

, LIU

Hengchang

, et al. Residual life prediction of rolling bearing based on attention GRU algorithm[J]. Journal of Vibration and Shock, 2021, 40(17): 116-123.

[9]

王奉涛, 刘晓飞, 邓刚, 等. 基于长短期记忆网络的滚动轴承寿命预测方法[J]. 振动·测试与诊断, 2020, 40(2): 303-309,419.

WANG

Fengtao

, LIU

Xiaofei

, DENG

Gang

, et al. Remaining useful life prediction method for rolling bearing based on the long short-term memory network[J]. Journal of Vibration,Measurement & Diagnosis, 2020, 40(2): 303-309,419.

[10]

周哲韬, 刘路, 宋晓, 等. 基于Transformer模型的滚动轴承剩余使用寿命预测方法[J]. 北京航空航天大学学报, 2023, 49(2): 430-443.

ZHOU

Zhetao

, LIU

, SONG

Xiao

, et al. Remaining useful life prediction method of rolling bearing based on Transformer model[J]. Journal of Beijing University of Aeronautics and Astronautics, 2023, 49(2): 430-443.

[11]

刘琦. 基于卷积神经网络的滚动轴承故障诊断及剩余寿命预测研究[D]. 长春: 吉林大学, 2021.

LIU

. Research on fault diagnosis and remaining life prediction of rolling bearings based on convolutional neural network[D]. Changchun: Jilin University, 2021.

[12]

李卓漫. 基于LSTM的滚动轴承剩余寿命预测[D]. 昆明: 昆明理工大学, 2021.

Zhuoman

. Prediction of remaining life of rolling bearings based on lstm[D]. Kunming: Kunming University of Science and Technology, 2021.

2024年第34卷第S1期

PDF下载

525

242

引用本文

BibTeX

文章信息

doi: 10.16265/j.cnki.issn1003-3033.2024.S1.0030

接收时间：2024-03-12
首发时间：2025-07-09
出版时间：2024-06-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-03-12
修回日期：2024-05-15

基金

作者信息

国能宝日希勒能源有限公司，内蒙古呼伦贝尔 021000

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zgaqkxxb/CN/10.16265/j.cnki.issn1003-3033.2024.S1.0030

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

工况	工况1	工况1	工况3
转速/(r·min^-1)	2 100	2 250	2 400
径向力/kN	12	11	10

工况

工况1

工况3

转速/(r·min^-1)

2 100

2 250

2 400

径向力/kN

数据集(工况)	样本总数	L₁₀/h	实际寿命/min	失效位置
Bearing 1_1(1)	123	5.600~9.677	123	外圈
Bearing 1_2(1)	161	161	外圈
Bearing 1_3(1)	158	198	外圈
Bearing 1_4(1)	122	122	保持架
Bearing 1_5(1)	52	52	内圈、外圈
Bearing 2_1(2)	491	6.786~11.726	491	内圈
Bearing 2_2(2)	161	161	外圈
Bearing 2_3(2)	533	533	保持架
Bearing 2_4(2)	42	42	外圈
Bearing 2_5(2)339		339	外圈
Bearing 3_1(3)	2 538	8.468 ~14.632	2 538	外圈
Bearing 3_2(3)	2 496	2 496	内圈、滚动体、保持架、外圈
Bearing 3_3(3)	371	311	内圈
Bearing 3_4(3)	1 515	1 515	内圈
Bearing 3_5(3)	114	114	外圈

数据集(工况)

样本总数

L₁₀/h

实际寿命/min

失效位置

Bearing 1_1(1)

123

5.600~9.677

123

外圈

Bearing 1_2(1)

161

外圈

Bearing 1_3(1)

158

198

外圈

Bearing 1_4(1)

122

保持架

Bearing 1_5(1)

内圈、外圈

Bearing 2_1(2)

491

6.786~11.726

491

内圈

Bearing 2_2(2)

161

外圈

Bearing 2_3(2)

533

保持架

Bearing 2_4(2)

外圈

Bearing 2_5(2)339

339

外圈

Bearing 3_1(3)

2 538

8.468 ~14.632

2 538

外圈

Bearing 3_2(3)

2 496

内圈、滚动体、保持架、外圈

Bearing 3_3(3)

371

311

内圈

Bearing 3_4(3)

1 515

内圈

Bearing 3_5(3)

114

外圈

工况类别	工况1	工况2	工况3
训练集	轴承1-1	轴承2-1	轴承3-1
轴承1-2	轴承2-2	轴承3-2
验证集	轴承1-3	轴承2-3	轴承3-3
轴承1-4	轴承2-4	轴承3-4
轴承1-5	轴承2-5	轴承3-5

工况类别

工况1

工况2

工况3

训练集

轴承1-1

轴承2-1

轴承3-1

轴承1-2

轴承2-2

轴承3-2

验证集

轴承1-3

轴承2-3

轴承3-3

轴承1-4

轴承2-4

轴承3-4

轴承1-5

轴承2-5

轴承3-5

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.153	0.138	0.139
Bearing 2_4	0.121	0.122	0.052
Bearing 3_1	0.146	0.124	0.071
平均值	0.140	0.128	0.087

预测方法

RCNN

相似性预测

文中所提方法

Bearing 1_4

0.153

0.138

0.139

Bearing 2_4

0.121

0.122

0.052

Bearing 3_1

0.146

0.124

0.071

平均值

0.140

0.128

0.087

预测方法	RCNN	相似性预测	文中所提方法
Bearing 1_4	0.232	0.214	0.182
Bearing 2_4	0.137	0.141	0.059
Bearing 3_1	0.168	0.149	0.108
平均值	0.179	0.168	0.116

预测方法

RCNN

相似性预测

文中所提方法

Bearing 1_4

0.232

0.214

0.182

Bearing 2_4

0.137

0.141

0.059

Bearing 3_1

0.168

0.149

0.108

平均值

0.179

0.168

0.116