融合机制感知健康指标与阶段条件化LSTM的轴承顺序预测框架

《Sensors》：Mechanism-Informed Health Representation and Causal Stage-Aware Remaining Useful Life Prediction for Rolling Bearings

　　准确的轴承预测需要能够区分持续性退化与瞬态振动响应的健康表征。本研究开发了一种顺序框架，包括机制感知的门控健康指标（MIG-HI）、因果证据驱动的转换识别（CETI）以及阶段条件化的双分支长短期记忆网络（SCDB-LSTM）。MIG-HI 将多域振动描述符分组为结构、能量、冲击性、故障机制和跨通道证据，并使用机制与通道支持来调节冲击性贡献。CETI 结合水平、趋势和持续性证据来建立正式的初始预测时间（FPT）。该参考点将离线退化对齐的归一化预测目标与因果更新的阶段系数联系起来。SCDB-LSTM 通过共享的时间编码器结合分支特定表征，并基于阶段系数条件化回归。此处描述的评估包括在三种 PHM 2012 工况下的工况特异性预测实验，以及对五枚工况 1 轴承的详细健康指标分析。MIG-HI 在对比指标中实现了最高的趋势性（0.4967），尽管其在单调性或可预测性方面并不占主导地位。该目标是无量纲的，并不直接估计剩余运行时间。跨工况迁移、扰动特异性鲁棒性以及校准预测不确定性需要进一步验证。