ZUSAMMENFASSUNG In diesem Papier wird ein Vorhersagemethode für die verbleibende Nutzlebensdauer (RUL) von Wälzlagern basierend auf einem hybriden, kapselvergrößerten zeitlichen konvolutionalen Transformer mit Einbettung des Abnutzungsstadiums (CapsTCN‐Transformer) vorgeschlagen. Um die Einschränkungen traditioneller RUL-Vorhersagemethoden, die auf manueller Merkmalsextraktion basieren, zu überwinden, konstruiert diese Studie innovativ eine End-to-End-Vorhersagemodellarchitektur. Zunächst wird ein konvolutionales neuronales Netzwerk—bidirektionales Langzeitkürzzeitgedächtnis (CNN‐BiLSTM) für die automatische Erkennung von Abnutzungsanfangspunkten eingesetzt. Durch die Integration der lokalen Merkmalsextraktionsfähigkeit von 2D-Faltungen mit den zeitlichen Modellierungs-vorteilen von bidirektionalen LSTMs identifiziert dieser Ansatz genau kritische Abnutzungsgrenzwerte für Lager. Aufbauend auf dieser Grundlage erreicht das vorgeschlagene CapsTCN‐Transformer-Modell eine automatische Extraktion mehrstufiger Merkmale aus den Schwingungssignalen von Lagern und eine präzise Modellierung zeitlicher Abhängigkeiten durch die synergistische Interaktion von mehrskalierten Kapselschichten, kausalen dilatierten Faltungen und Transformer-Attention-Mechanismen. Experimentelle Ergebnisse zeigen, dass das Modell im XJTU‐SY-Lagerdatensatz einen deutlich überlegenen durchschnittlichen MSE (0.0076), MAE (0.0521) und R² (0.9200) im Vergleich zu traditionellen Transformer- und TCN‐LSTM-Modellen erzielt. Besonders in Task2₄ zeigt es herausragende Leistungen mit MSE = 0.0013 und R² = 0.9797. Diese Studie bietet eine hochpräzise RUL-Vorhersagelösung für die intelligente Wartung von Industrieanlagen und demonstriert einen signifikanten ingenieurtechnischen Anwendungswert.
Zhang et al. (Mon,) untersuchten diese Frage.