一种基于物理原理的双分支CNN-MLP融合框架，用于通过振动信号实现分阶段轴承退化监测与剩余寿命预测

《Electronics》：A Physics-Aware Dual-Branch CNN-MLP Fusion Framework for Stage-Aware Bearing Degradation Monitoring and RUL Prognosis from Vibration Signals

　　

摘要

滚动元件轴承的退化监测对于旋转机械系统的预测性维护至关重要。现有的方法大多将故障分类与剩余使用寿命估算视为独立的任务，因而无法体现轴承退化的渐进性与多阶段特征。本文提出了一种基于物理原理的多模态融合框架，通过考虑轴承生命周期的不同阶段来对振动信号进行连续剩余使用寿命预测。该框架整合了两种互补的预处理方法：先通过希尔伯特包络解调再结合短时傅里叶变换生成对退化敏感的时频谱图，同时通过手工设计的统计特征提取方法得到简洁的全局严重程度描述符。此外，还设计了双头卷积神经网络-多层感知器架构，从这两种数据模式中学习具有区分能力的特征，并将其融合以实现端到端的标准化剩余使用寿命回归分析。根据标准化寿命进展比率，轴承生命周期被进一步划分为四个有序的退化阶段，这样的划分方式能够提供可解释的健康状态表征，从而补充连续预测结果。在PRONOSTIA/FEMTO-ST基准数据集上的实验表明，该框架在标准化剩余使用寿命预测方面的均方根误差为0.1597，平均绝对误差为0.1328，值为0.7487，且在轴承生命周期的大部分阶段内误差表现稳定。特征重要性分析结果显示，卷积神经网络分支能够捕捉局部低频到中频的频谱变化，而多层感知器分支则能反映振幅变化及脉冲特征，这证明了双分支设计的互补性。该方法为智能轴承状态监测与健康状况预测提供了统一、可解释且具有工程实用价值的解决方案。