一种基于双维对比自监督学习的新框架用于滚动轴承剩余可用寿命预测

为什么在磨损发生前预测很重要

从风力涡轮机和高速列车到工厂机器人，无数机械依赖滚动轴承——这些小金属部件使轴平稳转动。当轴承意外失效时，可能导致代价高昂的停机乃至危险事故。本研究提出了一种更智能的办法，使用大量振动数据和现代人工智能来估计轴承剩余的可用寿命。该方法旨在比许多现有方法更准确、对噪声条件更鲁棒，并且远不那么依赖昂贵的人为标注。

倾听微小振动以预见故障

随着轴承老化，微观裂纹和磨损会逐渐改变其振动特性。工程师在机器上安装传感器以记录这些振动信号，并试图推断轴承距离失效的接近程度——即所谓的剩余可用寿命。传统上，这要么依赖需要深厚专家知识的基于物理的公式，要么依赖需要大量完整故障数据的统计模型。最近，深度学习系统被用于将原始信号直接映射到寿命估计上。然而，这些系统常常像黑箱：它们可能拟合数据，但其内部表征可能参差不齐、随时间不一致且难以解释，这在现实应用中削弱了可靠性。

教机器从未标注数据中学习

作者提出了一个名为 DCSSL 的新框架，依托自监督学习——一种让神经网络从未标注数据中自我学习的方式。模型并非从人工输入的寿命标签开始，而是先研究原始振动记录，学习从周围信息预测信号的缺失部分并区分不同轴承的状态。该预训练由对比策略引导：系统展示来自同一基础信号的两个稍有不同的片段，鼓励将它们视为相关，同时将来自不同轴承或不同时间的片段视为不同。通过这种方式，它可以发现平滑、渐进的模式，反映机械健康随时间的变化，远在引入任何明确的寿命数值之前。

同时放大时间维度与轴承间差异

一个关键创新是学习目标的“双维”特性。首先，在时间轴上，模型被训练去理解单个轴承状态如何演化：对同一信号的重叠片段进行裁剪，并故意屏蔽某些时间点。网络必须从附近点重建缺失行为，促使它捕捉渐进性退化而非随机噪声。其次，在不同轴承之间，系统学习区分它们各自的演变轨迹，即便它们以略有差异的方式老化。通过平衡这两种驱动——时间上的平滑变化与机器间的清晰分离——所学表征既可解释又能预测未来的磨损。

一种更快、更可信的退化视角

为高效建模序列，该框架使用膨胀因果卷积网络。不同于可能训练缓慢且难以训练的传统循环模型，这种结构可以在遵循因果关系的同时“看到”更久远的历史——当前估计仅依赖于当前与过去信号，而不依赖未来信号。自监督阶段之后，接上一个简单的预测层并在较小的具有已知故障时间的振动记录集上进行微调。作者在一个广泛使用的轴承基准数据集上测试了他们的方法，该数据集中轴承在受控负载和转速下运行直到失效。与若干领先的深度学习基线方法相比，新方法持续产生更低的误差和更稳定的预测，特别是在寿命开始或结束附近避免了极端误判。

对实际机械意味着什么

对非专业读者而言，结论是 DCSSL 提供了更清晰、更平滑的轴承磨损估计，并且能够利用更多已经被收集但未人工标注的数据。它的预测更忠实地跟踪真实退化曲线：在健康运行期间保持平稳，然后随着损伤积累稳步下降，避免了无规则的跳变。这让工程师更容易在问题变得严重之前安排维护，从而减少停机并提高安全性。尽管当前研究聚焦于单一数据集和固定工况，但其核心思想——让机器在学习预测寿命之前自我学习退化模式——为在多种工业设备上实现更可靠、数据高效的健康监测提供了有前景的途径。

引用: Shen, Z., Yang, C., Cheng, L. et al. A novel dual-dimensional contrastive self-supervised learning-based framework for rolling bearing remaining useful life prediction. Sci Rep 16, 13364 (2026). https://doi.org/10.1038/s41598-026-38417-7

关键词: 轴承剩余可用寿命, 自监督学习, 对比学习, 振动状态监测, 预测性维护