摘要： 预测轴承剩余寿命时，为充分考虑退化特征所包含的局部信息和全局拓扑结构信息，进一步提升预测精度，提出一种基于CAE-TDA-BiLSTMAm的轴承剩余寿命预测方法。首先，分别使用卷积自编码(Convolutional Auto-Encode，CAE)和拓扑数据分析方法(Topological Data Analysis，TDA) 提取轴承频域信号特征；其次，将CAE和TDA所提取的特征进行特征融合，作为后续预测模型的输入；最后对双向长短期记忆网络(Bidirectional Long Short-Term Memory，BiLSTM)进行改进，引入注意力机制层(Attention Mechanism，AM)，搭建BiLSTMAm预测模型，该模型能够自适应调配权值，赋权给关键特征，进而提升预测效果。利用PHM2012 公开数据集进行实验，实验结果显示，相比于CAE-BiLSTMAm、TDA-BiLSTMAm、CNN-LSTM方法，所提CAE-TDA-BiLSTMAm模型的预测精度有一定提升，预测效果也更好，并对于不同的工况具有较好的泛化性。

关键词: 寿命预测, 轴承, 拓扑结构信息, 长短期记忆网络, 卷积自编码