8、基于机器学习的铁路齿轮箱轴承剩余使用寿命（RUL）估计

基于机器学习的铁路齿轮箱轴承剩余使用寿命（RUL）估计

1. 引言

在工业设备的维护中，准确估计设备的剩余使用寿命（RUL）至关重要。通过对历史数据的分析和建模，可以预测设备未来的状态，从而实现预防性维护，降低成本并提高设备的可靠性。本文将介绍如何利用机器学习方法来估计铁路齿轮箱轴承的RUL。

2. 相关研究

在预测性维护领域，许多研究都聚焦于利用机器学习技术来解决不同的问题。以下是一些相关研究的总结：
| 研究人员 | 研究内容 | 方法 | 成果 |
| — | — | — | — |
| Carvalho等 | 对使用ML技术进行预测性维护的系统文献综述 | 探索设备类型和ML方法 | 发现使用ML进行预测性维护呈上升趋势，有助于降低不必要的设备更换成本 |
| Amruthnath等 | 基于排气扇振动数据的早期故障识别 | 评估T2统计、PCA、聚类算法等 | 认为聚类技术在维护成本高时是一种经济有效的解决方案 |
| Amruthnath等 | 预测性维护系统中的故障类别预测和检测 | 利用GMM和K-means算法 | 实现了82.96%的错误预测准确率 |
| Kundu等 | 预测滚动轴承的RUL | 结合K-means聚类和变化点检测算法 | 提高了RUL预测的准确性 |
| Hong等 | 预测轴承的RUL | 利用GPR，使用RMS、 kurtosis和crest factor构建MQE | 发现复合核提高了预测准确性并降低了RUL的方差 |
| Elasha等 | 估计风力涡轮机高速轴轴承的RUL | 使用回归和反向传播神经网络 | 证明回归模型提高了神经网络模型的预测性