基于深度集成学习与误差修正的滚动轴承剩余使用寿命预测方法研究

本文提出了一种结合深度集成学习(GRU/BiGRU/LSTM/BiLSTM)与误差修正(EC)的滚动轴承剩余使用寿命(RUL)预测新方法MAF-ECDELM。通过移动平均滤波(MAF)预处理振动信号，构建多模型集成的深度学习框架，并引入人工神经网络(ANN)误差修正策略，在PHM2012和IMS数据集上取得优异性能（MSE<0.0012，R2>0.97），显著优于传统单模型和Transformer，为旋转机械健康管理(PHM)提供了高精度预测方案。

　　

Highlight

为提升滚动轴承剩余使用寿命(RUL)预测精度，本研究创新性地提出融合深度集成学习与误差修正的混合方法。主要贡献包括：1）以循环神经网络(LSTM/BiLSTM/GRU/BiGRU)为基础构建深度集成模型，通过模型多样性提升预测性能；2）引入基于人工神经网络(ANN)的误差修正模块优化输出结果；3）采用移动平均滤波(MAF)实现信号预处理和预测结果后处理的双重降噪；4）基于均方根值划分轴承退化阶段，设计分段线性函数构建RUL标签。该方法在工业健康管理(PHM)领域展现出卓越的泛化能力。

Error correction strategy

本研究创新地将误差修正策略引入轴承RUL预测任务。如图4所示，基于预测模型的误差结果建立ANN误差修正模型，与预测模型协同工作。具体流程：设训练集为{x₁^train,x₂^train,...,x_n^train}，测试集为{x₁^test,x₂^test,...,x_m^t}，通过误差序列建模实现预测结果的动态校准。

The proposed RUL prediction framework

我们提出名为MAF-ECDELM（移动平均滤波-误差修正深度集成学习模型）的混合预测框架。其中：MAF负责数据预处理和预测结果平滑；EC机制通过ANN学习误差演化规律；DELM整合GRU/BiGRU/LSTM/BiLSTM四种基学习器优势。该框架显著提升了预测的稳定性和准确性。

Case 1: IEEE PHM2012 bearing

基于IEEE PHM2012轴承全生命周期数据验证MAF-ECDELM方法。实验采用PRONOSTIA测试台（含电机、轴承、加速度计等组件），通过水平/垂直双向加速度计采集振动信号。结果表明该方法在复杂工况下仍保持优异性能。

Conclusion

MAF-ECDELM方法通过深度集成学习与误差修正的协同作用，在两个公开轴承数据集上实现高精度RUL预测（PHM2012数据集R²=0.9947，IMS数据集R²=0.9783）。关键发现：1）集成模型优于单一循环神经网络；2）误差修正机制显著提升预测稳定性；3）MAF双重滤波策略有效抑制噪声干扰。该方法为工业设备健康管理提供了可靠的技术方案。