ИНТЕРПРЕТИРУЕМОЕ ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА СЛУЖБЫ ПОДШИПНИКОВ КАЧЕНИЯ НА ОСНОВЕ ОДНОКАНАЛЬНОЙ ВИБРАЦИИ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ RANDOM FOREST, XGBOOST И LSTM

Аннотация

Интерпретируемое прогнозирование остаточного ресурса (Remaining Useful Life) на основе данных является важным условием практического применения методов прогностики подшипников качения в промышленных условиях. В работе предлагается двухэтапная методика, в которой на первом этапе классификатор Random Forest выявляет аномальные режимы работы, а на втором этапе регрессионные модели XGBoost и рекуррентная нейронная сеть Long Short-Term Memory используются для оценки остаточного ресурса на участках деградации. Признаки извлекаются из окон фиксированной длины одномерного вибрационного сигнала и включают ограниченный набор статистических характеристик во временной области, а также частотные дескрипторы, основанные на доминирующих спектральных компонентах. Экспериментальная проверка проведена на наборе данных NASA IMS с испытаниями подшипников до отказа. Классификатор Random Forest обеспечивает точность 98,6 процента на тестовой выборке и высокие значения полноты и точности для класса отказа. Гибридная оценка RUL, объединяющая прогнозы XGBoost и LSTM, снижает значения MAE и RMSE примерно на 15–20 процентов по сравнению с отдельными моделями. Интерпретируемость результатов обеспечивается методом SHAP анализа модели.