摘要： 预测轴承剩余寿命时，所提取退化特征的单调性越高越有利于提升预测精度，为此提出一种增强特征单调性的轴承剩余寿命预测方法。通过定义单调性约束，对卷积自编码(Convolutional Auto-Encode，CAE)进行改进，搭建增强特征单调性卷积自编码模型(Enhanced Feature Monotonicity Convolutional Auto-Encode，EFM-CAE)，该模型可以在自适应提取特征的同时，提升隐层特征的单调性。预测流程为：首先，用快速傅里叶变换将原始振动时域信息转化为频域信息；其次，利用EFM-CAE模型在频域内提取特征；最后用长短期记忆网络(Long Short-Term Memory，LSTM)进行预测，得到预测结果。在PHM2012 公开数据集上进行实验，实验结果显示，与本方法相比CAE-LSTM，预测精度有一定提升，对比改进式PSO-GRNN模型、CNN-LSTM方法、MC-DAM-LSTM方法，本方法预测效果也更好。

关键词: 故障诊断, 轴承, 寿命预测, 特征提取, 单调性, 卷积自编码