摘要： 轴承在性能退化过程的不同退化阶段存在样本数目不平衡以及样本数据差异。单一阶段的轴承剩余寿命预测方法忽略了轴承退化阶段对识别精度的影响，针对该问题提出一种基于CNN(Convolutional Neural Network)进行两阶段辨识的轴承剩余寿命预测方法。首先，在时域信号内利用相对有效值(Relative Root Mean Square, RRMS)进行退化阶段划分，将轴承的退化过程划分为平稳运行和加速退化两个阶段；其次，使用划分好阶段的标签数据搭建CNN退化阶段辨识模型，自适应地判别样本数据的退化状态；最后，选取不同阶段的样本训练CAE-LSTM模型，分别得到不同阶段的特征提取模型和预测模型。通过PRONOSTIA试验平台数据集和XJTU-SY数据集对所提方法进行验证。实验结果显示，相比不分段的单一阶段预测方法，该方法预测精度有一定提升，对比特征评价、CNN-LSTM和TCN-HS预测方法，该方法预测效果也更好。

关键词: 故障诊断, 轴承, 寿命预测, 退化阶段辨识, 特征提取