《Results in Engineering》：Deep Transfer Learning for Bearing Prognostics: A CNN Adapted Regression Approach to Predict the Remaining Useful Life of Self-Aligning Double-Row Ball Bearings
编辑推荐：
自调心双列球轴承（self-aligning double-row ball bearings）广泛应用于旋转机械中，意外的轴承故障会导致代价高昂的停机；因此，准确的剩余使用寿命（Remaining Useful Life，RUL）预测对于预测性维护至关重要。
自调心双列球轴承（self-aligning double-row ball bearings）广泛应用于旋转机械中，意外的轴承故障会导致代价高昂的停机；因此，准确的剩余使用寿命（Remaining Useful Life，RUL）预测对于预测性维护至关重要。然而，轴承退化信号是非平稳的，且运行至失效（run-to-failure）数据集通常有限，这给稳健的数据驱动预测带来了复杂性。现有方法通常在整个轴承寿命周期上进行训练，削弱了输入-目标关系，而固定阈值的退化起始检测容易产生误报。本研究旨在开发一种数据高效的深度学习框架，该框架能够可靠地估计轴承RUL，同时将学习重点明确集中在渐进退化区间。研究人员使用了在费拉拉大学（University of Ferrara）开发的加速测试台上生成的运行至失效数据集。该数据集包含六个实验（E1–E6），采样频率为25.6 kHz，在径向载荷3–5 kN下每5分钟采集5秒振动记录。数据处理方法应用标准化技术来显示退化模式，然后提取健康指标以检测退化的初始迹象。短时傅里叶变换（Short-Time Fourier Transform，STFT）生成频谱图，以显示数据中随时间变化的时频信号特征，保留了捕捉非平稳退化所必需的时频演化。研究人员采用基于梯度的准则，通过过滤短期尖峰来检查标准化RMS（Root Mean Square）的斜率，然后将数据传递到为回归任务调整的预训练卷积神经网络（Convolutional Neural Networks，CNNs）（ResNet、Xception、DenseNet）。来自ImageNet的迁移学习减少了领域特定数据的依赖性，使得该框架在有限的运行至失效数据下有效。实验验证确认了DenseNet-201的平均绝对RUL误差为2.7%，Xception为2.9%，ResNet-18为4.2%。基于退化起始的训练将平均绝对误差（Mean Absolute Error，MAE）在全序列学习基础上降低了94%，并且在PHM（Prognostics and Health Management）基准上的外部迁移评估将MAE从30.8降低到20.1。在受控的恒定转速测试台条件下验证，该方法提供了准确的轴承RUL预测，并显示出支持预测性维护和减少意外故障的强大潜力。
**论文解读：基于深度迁移学习的自调心双列球轴承剩余使用寿命预测**
**研究背景与问题**
自调心双列球轴承（self-aligning double-row ball bearings）在泵、电机、风机等旋转机械中广泛使用，其意外故障会导致昂贵停机，因此准确预测剩余使用寿命（Remaining Useful Life，RUL）对预测性维护至关重要。然而，轴承退化信号具有非平稳性，且全寿命运行至失效（run-to-failure）数据集通常稀缺，这给数据驱动预测带来挑战。现有方法常在整个轴承寿命周期上训练，但健康阶段与退化阶段的标签关系会稀释监督信号，而固定阈值退化起始检测易产生误报。此外，多数方法依赖手工特征或高计算开销的变换器架构，限制了工业部署。为此，研究人员提出一种数据高效的深度迁移学习框架，旨在通过聚焦渐进退化区间来提升RUL预测精度，并降低对大规模领域数据的依赖。该研究发表在《Results in Engineering》。
**主要技术方法**
研究人员采用的关键技术包括：基于均方根（Root Mean Square，RMS）标准化的健康指标构建，以消除负载差异；基于梯度准则的故障预测时间（Failure Prediction Time，FPT）检测，通过滑动窗口斜率统计确定退化起始点，避免固定阈值误报；短时傅里叶变换（Short-Time Fourier Transform，STFT）生成频谱图，保留时频演化信息；以及预训练卷积神经网络（CNN）（ResNet-18、DenseNet-201、Xception）通过迁移学习适配为回归头，输出连续RUL值。数据源自费拉拉大学（University of Ferrara）加速测试台，包含六个实验（E1–E6，径向载荷3–5 kN，转速40 Hz，采样频率25.6 kHz，每5分钟采集5秒振动数据）。所有CNN基于ImageNet预训练，仅微调最后回归层。
**研究结果**
**4.1 实验设置与运行至失效数据集**
研究人员在专用测试台上对双列自调心球轴承（型号1205 ETN 9）进行恒定转速（40 Hz）和不同径向载荷（3–5 kN）的全寿命加速试验，振动信号由PCB 353B15加速度计采集，故障判据为加速度持续达20 g，最终所有轴承均出现外圈缺陷。数据集E4因初始采样间隔差异而延长，其余实验每5分钟记录一次。
**4.2 评估指标**
采用平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）量化预测性能。
**4.3 实验结果与分析**
DenseNet-201在E1上取得最佳MAE 5.62（RMSE 7.38），比ResNet-18低36%，比Xception低32%；Xception在E4上表现最优（MAE 13.58）。DenseNet-201在六个数据集中的四个（E1、E2、E3、E5）取得最低MAE平均秩（1.50），但Friedman检验未达统计显著性（p=0.31）。数据集大小和退化行为共同影响精度：小数据集（E4、E6）误差较高，而E1（4 kN，渐进退化）误差最低。ResNet-18推理速度最快（50 ms），适合边缘部署。
**4.4 消融研究**
剔除FPT（全序列训练）导致MAE从17.05升至286.05（提升94%）；用原始波形替代频谱图，MAE升至41.35；用FFT特征替代，MAE升至51.44。STFT频谱图与退化起始检测共同构成精度提升的核心。
**4.5 FPT参数敏感性分析**
滑动窗口大小n∈{15,30,50}和梯度阈值k
th∈{0.005,0.01,0.02}的敏感性分析显示，阈值对FPT影响更大，选定参数（n=30, k
th=0.01）位于误差曲线最低点，且无需逐个实验调整。
**4.6 外部基准验证（PHM数据集）**
在PHM 2012轴承基准上，迁移学习（从费拉拉数据微调）将MAE从30.8（从头训练）降至20.1，RMSE从39.7降至26.9，证实跨测试台和轴承类型的泛化能力。
**4.7 不确定性量化与部署考虑**
采用深度集成（5个独立初始化的CNN）估计95%预测区间，预测区间覆盖概率（PICP@95%）在ResNet-18、DenseNet-201、Xception上分别为0.86、0.90、0.88，略低于名义水平，但提供安全裕度。推理延迟显示ResNet-18（50 ms）最适于实时监控。
**4.8 比较分析与实际意义**
在PHM基准上归一化误差比较，该方法NMAE=0.130、NRMSE=0.174，优于Li等（2020）的DAN（0.175/0.206）、Guo等（2021）的I-DCNN（0.258/0.289）和Li等（2024）的CNN-BiLSTM（0.147/0.187），且是在更严格的跨测试台迁移设置下取得。
**4.9 工程应用与工业相关性**
该框架可集成到现有振动监测基础设施中，梯度FPT检测自动触发维护预警，迁移学习能力降低新轴承类型部署成本。
**总结与讨论**
讨论部分指出，该框架在恒定转速条件下验证，未来需扩展至变转速场景；当前验证采用轴承内时间顺序拆分而非留一轴承交叉验证，跨数据集PHM测试提供了泛化证据。研究结论翻译如下：本研究建立了用于自调心双列球轴承RUL预测的深度迁移学习结构，利用受控实验室测试台的全寿命数据。方法结合振动健康指标与STFT时频变换，基于梯度准则检测退化起始，并通过预训练CNN（ResNet-18、Xception、DenseNet-201）回归输出连续RUL。关键发现：DenseNet-201平均绝对误差2.7%（最优），Xception 2.9%，ResNet-18 4.2%；FPT检测使MAE降低94%；STFT频谱图优于原始波形或FFT特征；迁移学习使PHM基准MAE降低35%。未来工作将聚焦变转速条件和多传感器融合。
