Life prediction method of rolling bearings based on DRSN-ADA

WANG Hengdi; CHEN Peng; WANG Haokui; WU Shengde; MA Yingfeng

doi:10.16578/j.issn.1004.2539.2026.01.022

您当前的位置：

首页 >

文章列表页 >

Life prediction method of rolling bearings based on DRSN-ADA

Development·Application | 更新时间：2026-01-23

- Life prediction method of rolling bearings based on DRSN-ADA
- Journal of Mechanical Transmission Vol. 50, Issue 1, Pages: 184-191(2026)
- 作者机构：
  
  1.河南科技大学机电工程学院，洛阳 471003
  2.盐城市质量技术监督综合检验检测中心，盐城 224000
  3.宁波中亿智能股份有限公司，宁波 315701
- 作者简介：
- 基金信息：
- DOI：10.16578/j.issn.1004.2539.2026.01.022
  CLC： TH133.3;TP183
- Received：22 September 2024，
  
  Revised：2024-12-01，
  
  Published：15 January 2026
- 稿件说明：
移动端阅览
王恒迪，陈鹏，王豪馗，等. 基于DRSN-ADA的滚动轴承寿命预测方法［J］. 机械传动，2026，50（1）：184-191.

WANG Hengdi，CHEN Peng，WANG Haokui，et al. Life prediction method of rolling bearings based on DRSN-ADA［J］. Journal of Mechanical Transmission，2026，50（1）：184-191.
王恒迪，陈鹏，王豪馗，等. 基于DRSN-ADA的滚动轴承寿命预测方法［J］. 机械传动，2026，50（1）：184-191. DOI： 10.16578/j.issn.1004.2539.2026.01.022.

WANG Hengdi，CHEN Peng，WANG Haokui，et al. Life prediction method of rolling bearings based on DRSN-ADA［J］. Journal of Mechanical Transmission，2026，50（1）：184-191. DOI： 10.16578/j.issn.1004.2539.2026.01.022.

摘要

目的

针对滚动轴承剩余寿命预测中存在的振动信号噪声干扰及不同工况下数据分布偏移问题，提出一种结合深度残差收缩网络（Deep Residual Shrinkage Network

DRSN）与对抗式领域自适应（Adversarial Domain Adaptation

ADA）的健康状态评估方法，以提高寿命预测的精度与泛化能力。

方法

首先，构建了深度残差收缩网络和对抗式领域自适应健康状态评估模型，并利用DRSN可以规避振动信号中的噪声并自适应提取轴承退化特征的性能，构建了健康指标曲线；其次，利用ADA使测试集健康指标和训练集健康指标分布对齐；最后，将DRSN-ADA模型输出的健康指标输入到卷积长短时记忆（Convolutional Long Short-Term Memory

ConvLSTM）网络模型中，实现了剩余寿命预测。

结果

结果表明，在XJTU-SY数据集及工程试验中，DRSN-ADA所构建的健康指标在单调性、鲁棒性和关联性上均优于对比方法，其均值分别达0.61、0.97与0.98；寿命预测结果的均方误差与平均绝对误差均值分别为2.52%与2.19%，平均得分为0.86，显著优于ResNet、主成分分析及均方根方法，验证了该方法在噪声抑制与跨工况预测方面的有效性。

Abstract

Objective

A health state assessment method combining deep residual shrinkage network (DRSN) and adversarial domain adaptation (ADA) was proposed to address the problems of vibration signal noise interference and inconsistent data distribution under different working conditions in the remaining useful life (RUL) prediction of rolling bearings

so as to improve the accuracy and generalization ability of RUL prediction.

Methods

Firstly

a health state assessment model combining deep residual shrinkage network and adversarial domain adaptation was constructed. The performance of DRSN in avoiding noise in vibration signals and adaptively extracting bearing degradation features was utilized to build the health indicator curve. Then

ADA was used to align the distribution of health indicators between the test set and the training set

so as to eliminate the difference in data distribution under different working conditions. Finally

the health indicators output by the DRSN-ADA model were input into the convolutional long short-term memory (ConvLSTM) network model

and the accurate RUL prediction of rolling bearings was realized.

Results

In the XJTU-SY dataset and engineering tests

the health indicators constructed by DRSN-ADA are superior to the comparison methods in monotonicity

robustness and correlation

with their mean values reaching 0.61

0.97 and 0.98 respectively. The mean values of mean squared error (MSE) and mean absolute error (MAE) of the RUL prediction results are 2.52% and 2.19% respectively

and the average score is 0.86

which is significantly better than the DRN

principal component analysis and root mean square (RMS) methods. These results verify the effectiveness of the proposed method in noise suppression and cross-working condition prediction.

关键词

Keywords

references

张正新，胡昌华，司小胜，等 . 双时间尺度下的设备随机退化建模与剩余寿命预测方法［J］. 自动化学报， 2017 ， 43 （ 10 ）： 1789 - 1798 .

ZHANG Zhengxin ， HU Changhua ， SI Xiaosheng ， et al . Degradation modeling and remaining useful life prediction with bivariate time scale ［J］. Acta Automatica Sinica ， 2017 ， 43 （ 10 ）： 1789 - 1798 .

李刚，于长海，刘云鹏，等 . 电力变压器故障预测与健康管理：挑战与展望［J］. 电力系统自动化， 2017 ， 41 （ 23 ）： 156 - 167 .

LI Gang ， YU Changhai ， LIU Yunpeng ， et al . Challenges and prospects of fault prognostic and health management for power transformer ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 23 ）： 156 - 167 .

LI W ， ZHU Z C ， JIANG F ， et al . Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method ［J］. Mechanical Systems and Signal Processing ， 2015 ， 50 ： 414 - 426 .

文井辉，伍荣森，李帅永，等 . 基于DRSN和优化BiLSTM的轴承剩余寿命预测方法［J］. 计算机集成制造系统， 2024 ， 30 （ 5 ）： 1877 - 1888 .

WEN Jinghui ， WU Rongsen ， LI Shuaiyong ， et al . Bearing residual life prediction method based on DRSN and optimized BiLSTM ［J］. Computer Integrated Manufacturing Systems ， 2024 ， 30 （ 5 ）： 1877 - 1888 .

GEBRAEEL N ， LAWLEY M ， LIU R ， et al . Residual life predictions from vibration-based degradation signals：a neural network approach ［J］. IEEE Transactions on Industrial Electronics ， 2004 ， 51 （ 3 ）： 694 - 700 .

孟文俊，张四聪，淡紫嫣，等 . 滚动轴承寿命动态预测新方法［J］. 振动、测试与诊断， 2019 ， 39 （ 3 ）： 652 - 658 .

MENG Wenjun ， ZHANG Sicong ， DAN Ziyan ， et al . Method of dynamic life prediction of rolling bearing ［J］. Journal of Vibration ，Measurement & Diagnosis， 2019 ， 39 （ 3 ）： 652 - 658 .

黄大荣，陈长沙，孙国玺，等 . 复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法［J］. 兵工学报， 2017 ， 38 （ 8 ）： 1649 - 1657 .

HUANG Darong ， CHEN Changsha ， SUN Guoxi ， et al . Linear discriminant analysis and back propagation neural network cooperative diagnosis method for multiple faults of complex equipment bearings ［J］. Acta Armamentarii ， 2017 ， 38 （ 8 ）： 1649 - 1657 .

LIAO L X ， JIN W J ， PAVEL R . Enhanced restricted Boltzmann machine with prognosability regularization for prognostics and health assessment ［J］. IEEE Transactions on Industrial Electronics ， 2016 ， 63 （ 11 ）： 7076 - 7083 .

GUO L ， LEI Y G ， LI N P ， et al . Machinery health indicator construction based on convolutional neural networks considering trend burr ［J］. Neurocomputing ， 2018 ， 292 ： 142 - 150 .

WU J ， HU K ， CHENG Y W ， et al . Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network ［J］. ISA Transactions ， 2020 ， 97 ： 241 - 250 .

郭伟，邢晓松 . 基于改进卷积生成对抗网络的少样本轴承智能诊断方法［J］. 中国机械工程， 2022 ， 33 （ 19 ）： 2347 - 2355 .

GUO Wei ， XING Xiaosong . Intelligent fault diagnosis of bearings with few samples based on an improved convolutional generative adversarial network ［J］. China Mechanical Engineering ， 2022 ， 33 （ 19 ）： 2347 - 2355 .

陈维兴，常东润，李宗帅 . 基于改进生成对抗网络与ConvLSTM的航空发动机剩余寿命预测方法［J］. 电子测量与仪器学报， 2023 ， 37 （ 3 ）： 211 - 221 .

CHEN Weixing ， CHANG Dongrun ， LI Zongshuai . Aeroengine residual life prediction method based on improved generative adversarial network and ConvLSTM ［J］. Journal of Electronic Measurement and Instrumentation ， 2023 ， 37 （ 3 ）： 211 - 221 .

ZHANG A S ， WANG H L ， LI S B ， et al . Transfer learning with deep recurrent neural networks for remaining useful life estimation ［J］. Applied Sciences ， 2018 ， 8 （ 12 ）： 2416 .

孙通 . 基于BILSTM-ADA的健康状态评估与剩余寿命预测方法研究［D］. 西安：西安电子科技大学， 2022 ： 15 - 17 .

SUN Tong . Research on health status assessment and remaining life prediction method based on BILSTM-ADA ［D］. Xi’an ： Xidian University ， 2022 ： 15 - 17 .

肖宗朕，杜浩飞，王勇，等 . 基于ConvLSTM的风机轴承寿命预测［J］. 组合机床与自动化加工技术， 2024 （ 6 ）： 161 - 165 .

XIAO Zongzhen ， DU Haofei ， WANG Yong ， et al . Prediction of fan bearing life based on ConvLSTM ［J］. Modular Machine Tool & Automatic Manufacturing Technique ， 2024 （ 6 ）： 161 - 165 .

雷亚国，韩天宇，王彪，等 . XJTU-SY滚动轴承加速寿命试验数据集解读［J］. 机械工程学报， 2019 ， 55 （ 16 ）： 1 - 6 .

LEI Yaguo ， HAN Tianyu ， WANG Biao ， et al . XJTU-SY rolling element bearing accelerated life test datasets：a tutorial ［J］. Journal of Mechanical Engineering ， 2019 ， 55 （ 16 ）： 1 - 6 .

NECTOUX P ， GOURIVEAU R ， MEDJAHER K ， et al . PRONOSTIA：an experimental platform for bearings accelerated degradation tests ［C］// IEEE International Conference on Prognostics and Health Management . IEEE ， 2012 ： 1 - 8 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Frequency band optimization Fourier decomposition method and its application in fault diagnosis of rolling bearings

Weak fault diagnosis method for rolling bearings under strong background noise based on EEMD-FK-AMCKD

Fault diagnosis model of rolling bearings based on the M-YOLO network

Rolling bearing fault diagnosis based on parameter optimized VMD and improved GoogLeNet

Bearing Multi-sensor Fusion Fault Diagnosis Based on an Adaptive ResGAT Network

Related Author

HUANG Siqi

ZHANG Xinqun

LIU Shijie

TAN Zhiyin

HE Kai

XIE Guizhong

XU Shuaiqiang

DU Wenliao

Related Institution

School of Electrical Engineering, Chuzhou Polytechnic

Shanxi North Machine-Building Co., Ltd.

College of Mechanical and Electrical Engineering, Zhengzhou University of Light Industry

Henan Provincial Key Laboratory of Intelligent Manufacturing of Mechanical

Anyang Cigarette Factory, China Tobacco Henan Industrial Co., Ltd.

⁰