- 文献综述（或调研报告）：
近年来，随着大数据技术的兴起，对滚动轴承展开基于状态监测的故障预测与健康管理（Prognostics and Health Management, PHM）方面的研究，已经引起了广泛的关注和研究热情。基于状态检测的PHM技术是指在机械装备的运行过程中，利用传感器对机械装备的主要部位或关键部件的当前运行状态指标(如:振动、温度、电流、电压信号以及油量和磨损量等)进行采集分析，借助数学推理算法和智能技术(如:神经网络、模糊逻辑、数据融合等)来预测其状态变化规律，进而实现有效地决策和管理[1]。PHM主要包括两个方面的内容，分别是故障预测和健康管理。故障预测包括对设备的实时状态监测和对未来的退化状态趋势预测，进而由退化趋势预测可以估计出剩余寿命。健康管理是指充分利用故障预测的信息，从而对监测对象开展与可靠性和安全性相关的决策[1]。 基于状态监测PHM不仅可以有效地防止机械装备发生突发性故障，而且可以最大限度地利用关键零部件的工作能力，降低维护成本和减少不必要的资源浪费[1]。
- 滚动轴承退化状态分析研究现状
滚动轴承的失效原因存在于初始设计、制造装配、安装调试、维护保养等多方面，尤其是在实际运行阶段，润滑密封不良和载荷过大等多方面的原因都会导致轴承过早损坏[2]。由于轴承自身的结构和载荷特性，研究其振动特性及退化状态是必然的。轴承振动主要有三类：加工装配中产生的误差、自身结构特点和出现缺陷现象等[3]，其中缺陷现象是研究重点。故障轴承所引起的振动是反映其工作状态的重要信息，对其进行处理与分析是状态识别、故障位置判断和RUL预测的首要任务。
曾宇[3]从采集到的振动加速度信号中进行时域、频域、小波包域及熵域提取轴承性能退化的有效特征参数，并采用偏相关分析和敏感性综合，选取能够较好地表征轴承退化状态的指标，获得了很好的效果。燕晨耀[1]除了采取时域、频域统计特征和小波节点能量外，还引入了时域信息熵、频域信息熵、希尔伯特熵、样本熵以及小波包能量熵，构成了描述轴承退化信息的96维特征集，并从中有目的地筛选出有益于进行剩余寿命预测的敏感特征。孙建[2]研究了基于多衰退特征的比例故障模型，最终确定均方根值和小波包敏感能量值作为协变量输入，再根据已有的监测数据预测的特征量输入模型，实现了单个滚动轴承的剩余寿命的实时预测。文献[24]提出了一种基于SOM的滚动轴承性能退化评估方法，该方法首先利用Morlet小波实现了对原始信号的降噪处理，将其有效值、峭度、峰值因子以及其包络信号的有效值、峭度、峰值因子组成特征向量，利用正常状态下的数据通过SOM建立性能退化评估模型，对于待测数据，将得到的最小量化误差(Minimum Quantization Error, MQE)作为评估轴承性能退化程度的指标。文献[25]利用一种近似关联维数对滚动轴承性能退化过程从非线性动力学的角度进行了分析，结果表明了这一参数对滚动轴承性能退化的有效反映能力。
综上所述，现有的滚动轴承退化指标均不具有迁移能力，因此本论文所提出的构建具有损伤特性迁移能力的指标是比较新颖的，对于类似研究具有借鉴作用。
- 滚动轴承剩余寿命预测研究现状
在PHM的众多研究课题分支中，最为重要的就是剩余使用寿命（RUL）的预测。有关轴承RUL预测方面，当前学者对轴承的运行退化机理、寿命预测模型开展了许多研究，并形成了多种RUL预测方法。这些预测方法主要分为统计分析RUL预测模型、物理学（断裂力学）RUL预测模型、数据驱动（状态监测）RUL预测模型三种方法[3]。
基于统计分析的RUL预测模型的方法源于可靠性的理论研究[4]，一般而言，指的是首先对机械设备大量试验，综合其他因素(如润滑状态、材质特性、载荷、温度条件、工况等)对设备的失效机理展开研究，然后运用数学统计和概率学等数学知识，对相关数据进行分析与处理，获得以可靠性为准则的寿命预测统计学模型[5]。对于此类RUL预测模型的方法中，主要有非常经典的Lundberg-Palmgren模型(即L-P模型)、loannides-Harris 模型(即I-H模型)等。在19世纪中期左右，对于旋转机械零件，G Lundberg和A. Palmgren 建立了著名的LP理论[6]，假设疲劳裂纹最初在轴承滚道材料表面下的薄弱点出现。在L-P理论的基础上，学者们对其进行了一系列的修正，E.Ioannides和T.A.Harrisl[7]于1985年提出一种新的轴承疲劳寿命模型，即I-H方程，提出产生疲劳裂纹可能源于其他应力准则，他们认为轴承不会发生疲劳失效的条件是轴承疲劳的极限值高于其承受的应力载荷。此外，国内学者也相继研究出重要成果。蔡森等[8]在LP理论和Hertz弹性接触理论基础上针对高铁轴承的特性，同时结合S-N曲线，即可得疲劳寿命。
一般来说，利用统计分析模型，必须获得足够多的轴承缺陷失效的统计样本，才能精确估算轴承寿命分布。对于不同工况的轴承，会受到工作条件的巨大影响，会造成疲劳应力数据无法获取，而且公式中往往会忽视某些轴承寿命的突发情况，是一种类似平均或只适合些许轴承的寿命计算[9]。
基于物理学的RUL预测模型是指运用断裂力学和疲劳强度等相关知识，并基于轴承存在缺陷的前提下，首先建立轴承强度与裂纹尺寸的关系，预测轴承的最大缺陷尺寸极限值,再确定裂纹扩展的临界尺寸或载荷，从而确定裂纹扩展的剩余寿命计算[3]。Griffth AA[10]针对固体中的裂纹萌生及产生流动现象，提出了裂纹扩展能量理论，这是断裂力学的首次提出，Grifth AA也因此被称为“断裂力学之父”。ParisP和Erdogan F[11]对裂纹扩展规律的临界情况进行深入研究,提出了著名的Paris公式，断裂力学理论就此逐渐形成。范磊等[12]提出了对数线性，通过离散化裂纹扩展的过程，联合Paris公式和Miner准则，将轴承破坏损伤的过程进行累计，即可得随裂纹长度渐变的剩余寿命值。刘德昆等[13]利用Palmgren-Miner理论准则，首次就动车组轴箱轴承的实测载荷的运营数据基础上来对其寿命预测进行研究。虽然基于物理学的寿命模型能够对轴承进行寿命预测，但实际裂纹扩展极不规则，无法进行实时监测，当退化机制尚不明确，则无法建立准确的物理模型，此时就无法估计其寿命[3]。同时，该方法专业性、理论性很强，建模非常困难。
基于数据驱动的RUL预测模型是在大数据、人工智能等一系列高新技术的驱动下诞生的新方法，利用轴承运行过程中的实时状态监测数据来判断其工作模式、定位故障点和寿命预测。这种方法利用实时采集的轴承退化数据，首先采取合适的降噪方法，将隐藏在复杂背景噪声中的有用数据找出来，然后提取退化表征的特征，预测剩余寿命[3]。
Mahamad A K[14]等提出基于RMS和峭度输入的人工神经网络轴承寿命预测，并选择归一化寿命百分比作为输出，该方法可以较好预测轴承失效。奚立峰等[15]就球轴承提出了利用自组织映射和BP两种神经网络来选取3套时域和3套频域作为指标，建立了剩余寿命预测模型，结果优于寿命估计。李浩平等[16]针对BPNN参数多等缺陷，提出基于AGA-GRNN神经网络的刀具寿命预测研究,其在参数优化效率和寿命预测精度上均较高。唐旭等[17]提出了使用具有时序功能的长短期记忆网络（LSTM）来预测滚动轴承退化程度的方法，使用15个时域特征作为网络输入，得到拟合剩余使用寿命曲线，可较准确地判断轴承退化程度。
