一种结合 EMD 去噪的麻雀搜索算法优化 LSTM 框架用于滚动元件轴承剩余寿命预测

了解机器何时会失效为何重要

从工厂生产线到风力涡轮机，许多机械依赖一种称为轴承的旋转金属环来保持运转部件的顺畅运动。当轴承在没有任何预警的情况下失效时，可能导致整个生产线停摆，造成昂贵的停机损失甚至带来安全隐患。本文提出了一种新的方法来预测轴承在失效前还剩下多长时间，即便其信号被噪声掩盖。该方法将巧妙的信号清理、类脑的预测网络以及风险的统计模型结合起来，为维护团队提供更早、更可靠的预警。

嘈杂振动中隐藏的线索

随着微小裂纹和表面磨损随时间增长，轴承会悄然老化。工程师使用振动传感器来监测这一过程，但在真实工厂中这些信号通常很混乱：强烈的背景噪声和多种叠加的振动模式使得早期损伤极难被发现。作者首先通过一种称为经验模态分解（EMD）的技术处理原始振动信号，将复杂运动自动分解为若干更简单的分量。随后，他们考察每个分量的能量并识别出最能追踪损伤积累的那一项。该分量成为核心“健康指标”，用于将轴承状况概括为从“新”到“接近失效”的刻度。

教会数字记忆跟踪磨损

轴承的损伤并非平滑上升：当应力减轻或润滑改进时，损伤可能放缓、加速，甚至短暂“恢复”。要捕捉这种长期且不规则的模式，单靠传统趋势线不足以胜任。研究使用长短期记忆网络（LSTM）——一种为从时间序列的远端记忆中保留重要信息而设计的深度学习模型。它学习健康指标最近历史与剩余可用寿命之间的关系。由于该网络的表现高度依赖于学习率、内部单元数量等设置，作者并未采用手动反复试错，而是让一个优化方案自动搜索出最佳配置。

让虚拟麻雀群为模型调参

为微调预测网络，论文采用了麻雀搜索算法（Sparrow Search Algorithm），这是一种受自然启发的方法，模仿麻雀群在觅食同时避险的行为。在该数字化版本中，每只“麻雀”代表一组候选网络超参数。一些麻雀担当冒险的侦察者，另一些跟随看起来有前景的线索，还有少数负责警惕避免将搜索困在劣势区域。经过多轮群体搜索，群体收敛到近似最优的记忆网络超参数集合。该自动调优使模型更准确地学习复杂的退化模式，并比传统方法更少浪费训练次数。

从单一数字到完整的风险曲线

许多预测工具仅输出一个剩余寿命的数值，在本质上存在不确定性的情形下容易制造确定性的错觉。作者在此进一步扩展，将网络输出包裹在一个概率框架中。他们假定健康指标在向失效阈值漂移的过程中带有一定随机性，类似在恒定推力和随机扰动下徘徊的粒子。在此假设下，轴承达到失效水平所需的时间服从特定的概率规律。这使方法不仅能提供期望的剩余寿命，还能给出其分布范围，以及对维修计划和风险管理直接有用的生存曲线和危险率。

新方法的性能如何

作者在一个广泛使用的轴承寿命数据集上验证了他们的混合框架，该数据集包含不同转速和载荷下的数据。他们将结合信号分解、麻雀调参与记忆网络的方法，与两种使用遗传算法和粒子群优化来调参的既有替代方法进行了比较。在相当的计算投入下，新方法给出了更清晰的预测、对未见数据的更低误差以及更窄的误差分布。它在跟踪真实退化趋势方面表现得更忠实，尤其在轴承进入快速磨损阶段时，表明更好的去噪与更智能的参数搜索组合带来了明显收益。

对真实机器的意义

通俗地说，这项工作提供了更可靠的“健康表”和“水晶球”式工具来评估机器轴承。通过清理振动信号、训练基于记忆的模型解读这些信号，并将结果置于一个有风险意识的统计外壳中，该方法不仅能告诉维护人员轴承可能何时失效，还能说明该估计的置信程度。尽管当前研究仅限于单一数据集且对小型设备而言运算仍偏重，但它为更智能、更可靠的预测性维护系统指明了方向，有望减少意外停机并延长关键设备寿命。

引用: Li, Q., Zhang, B. & Fang, X. A sparrow search algorithm-optimized LSTM framework with EMD denoising for rolling element bearing remaining useful life prediction. Sci Rep 16, 8676 (2026). https://doi.org/10.1038/s41598-026-41852-1

关键词: 预测性维护, 轴承失效, 振动监测, 深度学习, 剩余可用寿命