目前，預測滾動軸承 RUL 的方法主要有基于模型的方法和數據驅動的方法�；�于模型的方法雖然能深入理解故障機制，但它是靜態的，無法根據實際情況實時調整，容易受到未考慮因素的影響，導致預測結果不準確。而數據驅動的方法，像深度學習中的卷積神經網絡（Convolutional Neural Network，CNN）和時間卷積網絡（Temporal Convolutional Network，TCN），雖然能自動從數據中提取特征，不需要太多物理知識，但卻高度依賴高質量數據，一旦數據中出現異常值或噪聲，預測結果就會 “跑偏”。比如，滾動軸承有時會出現自我修復行為，這種行為會使數據產生波動，再加上測量過程中的噪聲干擾，預測的 RUL 就很難符合實際情況。

為了解決這些難題，國內的研究人員展開了深入研究。他們提出了一種創新的框架，將數字孿生（Digital Twin，DT）技術與人工智能相結合，對滾動軸承的退化過程進行監測，預測其 RUL，并對相關不確定性進行量化。這項研究成果發表在《Engineering Applications of Artificial Intelligence》上，為滾動軸承的健康管理帶來了新的希望。

研究人員在這項研究中用到了幾個關鍵技術方法。首先，構建了一個考慮軸承表面粗糙度、滾動體與保持架間隙等因素的高保真動態模型，以此作為數字孿生模型。其次，基于反向傳播（Backpropagation，BP）神經網絡提出了一種數字孿生模型動態更新方法，讓模型能實時適應軸承實際運行狀況的變化。最后，引入了基于隨機失活（Dropout）技術的物理信息神經網絡（Physics - Informed Neural Network，PINN），即 Dr - PINN，在預測 RUL 的同時量化不確定性。研究使用了 XJTU - SY 軸承數據集，僅選取內外圈故障數據用于驗證。

研究人員構建的數字孿生模型，是在傳統動態模型的基礎上進行了優化。它充分考慮了軸承表面粗糙度、滾動體與保持架之間的間隙以及表面的不均勻缺陷等因素。這些因素在以往的模型中常常被忽視，但它們卻對軸承的性能有著重要影響。同時，研究人員還設計了一種模型更新機制，這個機制就像是模型的 “智能大腦”，它能與軸承的測量信號進行交互，模擬軸承整個生命周期的振動情況，讓模型能夠更加準確地反映軸承的實際運行狀態。

研究人員提出了一個與物理規律相一致的框架，將 PINN 與數字孿生數據相結合來預測滾動軸承的使用壽命。PINN 網絡利用神經網絡的自動微分機制，能夠自動計算包含物理知識的導數，使網絡輸出更符合物理知識。這一部分主要介紹了 PINN 的網絡配置，以及如何構建帶有物理約束的損失函數，通過這些設置，讓預測結果更加可靠。

為了驗證所提出的數字孿生模型和模型更新方法的有效性，研究人員使用動態模型和數字孿生模型對不同退化程度的軸承進行了模擬和評估。然后，分別運用所提出的模型更新方法對動態模型和數字孿生模型進行更新，以此來驗證更新方法和數字孿生模型能否準確反映軸承的實際運行狀況。通過對時域波形和頻域特征頻率的分析，結果表明該模型和更新方法能夠較好地模擬和反映軸承的實際情況。

研究人員設計了消融實驗，用來驗證在網絡中加入物理知識的有效性。同時，還設計了對比實驗，將所提出的 RUL 預測方法與其他方法進行比較，以驗證其優越性。此外，研究人員還對損失函數中的參數選擇進行了分析。實驗結果顯示，該研究提出的框架平均絕對誤差為 0.071，均方根誤差為 0.084，明顯優于其他方法的 0.100 和 0.118，充分證明了該方法在預測滾動軸承 RUL 方面的優勢。

綜上所述，這項研究構建了基于動態模型的數字孿生模型，提出了數字孿生模型更新方法以及 Dr - PINN 生命預測網絡。實驗驗證了數字孿生模型的精確性，對比實驗突出了該預測方法相較于傳統和前沿模型的優勢。該研究成果為滾動軸承的健康管理提供了更可靠的技術手段，有助于提高旋轉機械系統的安全性和穩定性，在工業領域具有重要的應用價值。它不僅能幫助企業提前規劃維護計劃，減少設備故障帶來的損失，還為相關領域的研究開辟了新的思路，推動了滾動軸承剩余使用壽命預測技術的發展。