编辑推荐：
滚动轴承剩余使用寿命（RUL）预测是机械设备健康管理关键环节。为解决传统预测方法弊端，研究人员融合数字孪生（DT）与数据驱动方法展开研究。实验显示该方法误差更小，能精准预测并量化不确定性，提升了滚动轴承状态监测水平。
在机械装备的世界里，滚动轴承就像是旋转机械系统的 “关节”，默默承受着复杂多变的工作环境，对设备的稳定运行起着至关重要的作用。想象一下，在工厂的大型生产线中，一台关键设备的滚动轴承突然 “罢工”，这不仅会导致生产中断，造成巨大的经济损失，还可能引发安全事故。因此，准确预测滚动轴承的剩余使用寿命（Remaining Useful Life，RUL），提前做好维护保养，就显得尤为重要。
目前，预测滚动轴承 RUL 的方法主要有基于模型的方法和数据驱动的方法。基于模型的方法虽然能深入理解故障机制，但它是静态的，无法根据实际情况实时调整，容易受到未考虑因素的影响，导致预测结果不准确。而数据驱动的方法，像深度学习中的卷积神经网络（Convolutional Neural Network，CNN）和时间卷积网络（Temporal Convolutional Network，TCN），虽然能自动从数据中提取特征，不需要太多物理知识，但却高度依赖高质量数据，一旦数据中出现异常值或噪声，预测结果就会 “跑偏”。比如，滚动轴承有时会出现自我修复行为，这种行为会使数据产生波动，再加上测量过程中的噪声干扰，预测的 RUL 就很难符合实际情况。
为了解决这些难题，国内的研究人员展开了深入研究。他们提出了一种创新的框架，将数字孪生（Digital Twin，DT）技术与人工智能相结合，对滚动轴承的退化过程进行监测，预测其 RUL，并对相关不确定性进行量化。这项研究成果发表在《Engineering Applications of Artificial Intelligence》上，为滚动轴承的健康管理带来了新的希望。
研究人员在这项研究中用到了几个关键技术方法。首先，构建了一个考虑轴承表面粗糙度、滚动体与保持架间隙等因素的高保真动态模型，以此作为数字孪生模型。其次，基于反向传播（Backpropagation，BP）神经网络提出了一种数字孪生模型动态更新方法，让模型能实时适应轴承实际运行状况的变化。最后，引入了基于随机失活（Dropout）技术的物理信息神经网络（Physics - Informed Neural Network，PINN），即 Dr - PINN，在预测 RUL 的同时量化不确定性。研究使用了 XJTU - SY 轴承数据集，仅选取内外圈故障数据用于验证。
滚动轴承数字孪生模型
研究人员构建的数字孪生模型，是在传统动态模型的基础上进行了优化。它充分考虑了轴承表面粗糙度、滚动体与保持架之间的间隙以及表面的不均匀缺陷等因素。这些因素在以往的模型中常常被忽视，但它们却对轴承的性能有着重要影响。同时，研究人员还设计了一种模型更新机制，这个机制就像是模型的 “智能大脑”，它能与轴承的测量信号进行交互，模拟轴承整个生命周期的振动情况，让模型能够更加准确地反映轴承的实际运行状态。
基于 PINN 的剩余使用寿命预测
研究人员提出了一个与物理规律相一致的框架，将 PINN 与数字孪生数据相结合来预测滚动轴承的使用寿命。PINN 网络利用神经网络的自动微分机制，能够自动计算包含物理知识的导数，使网络输出更符合物理知识。这一部分主要介绍了 PINN 的网络配置，以及如何构建带有物理约束的损失函数，通过这些设置，让预测结果更加可靠。
数字孪生模型验证
为了验证所提出的数字孪生模型和模型更新方法的有效性，研究人员使用动态模型和数字孪生模型对不同退化程度的轴承进行了模拟和评估。然后，分别运用所提出的模型更新方法对动态模型和数字孪生模型进行更新，以此来验证更新方法和数字孪生模型能否准确反映轴承的实际运行状况。通过对时域波形和频域特征频率的分析，结果表明该模型和更新方法能够较好地模拟和反映轴承的实际情况。
实验设置
研究人员设计了消融实验，用来验证在网络中加入物理知识的有效性。同时，还设计了对比实验，将所提出的 RUL 预测方法与其他方法进行比较，以验证其优越性。此外，研究人员还对损失函数中的参数选择进行了分析。实验结果显示，该研究提出的框架平均绝对误差为 0.071，均方根误差为 0.084，明显优于其他方法的 0.100 和 0.118，充分证明了该方法在预测滚动轴承 RUL 方面的优势。
综上所述，这项研究构建了基于动态模型的数字孪生模型，提出了数字孪生模型更新方法以及 Dr - PINN 生命预测网络。实验验证了数字孪生模型的精确性，对比实验突出了该预测方法相较于传统和前沿模型的优势。该研究成果为滚动轴承的健康管理提供了更可靠的技术手段，有助于提高旋转机械系统的安全性和稳定性，在工业领域具有重要的应用价值。它不仅能帮助企业提前规划维护计划，减少设备故障带来的损失，还为相关领域的研究开辟了新的思路，推动了滚动轴承剩余使用寿命预测技术的发展。
