一种基于维也纳物理学原理的神经网络，用于轴承退化建模和剩余使用寿命预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A Wiener Physics-Informed Neural Network for Bearing Degradation Modeling and Remaining Useful Life Prediction

　　

乔照辉|尹爱军|徐文兰|乔瑶辉

摘要

准确预测轴承的剩余使用寿命（RUL）对于确保机械系统的可靠性和安全性至关重要。本文提出了一种基于维纳物理信息神经网络（WPINN）的新框架，用于轴承退化建模和RUL预测。该框架将维纳过程的退化动态建模能力与神经网络的特征提取能力相结合。具体而言，首先引入双向长短期记忆网络（BiLSTM）从振动信号中提取时间退化特征，并结合一个模拟维纳过程的物理引导网络来建模轴承退化动态。随后，设计了一种基于物理信息的联合损失函数，以施加物理约束，从而提高WPINN的预测准确性和可信度。采用动态加权策略将训练过程从数据驱动学习引导为物理约束学习。最后，在XJTU-SY和PHM2012数据集上进行的广泛实验表明，所提出的WPINN在预测准确性和可信度方面优于其他先进模型。消融实验和少量样本实验进一步验证了WPINN的鲁棒性和泛化能力。这项工作展示了将物理模型与神经网络结合在复杂工业系统的预测与健康管理（PHM）中的潜力。