卷积神经网络（CNN）常用于基于振动信号时频图（TFR）预测滚动轴承的剩余使用寿命（RUL）。在退化过程中，TFR 中的特征结构主要沿频率或时间轴排列，传统的各向同性卷积核难以捕获这种方向性信息。全局平均池化（GAP）在所有轴上求平均，可能掩盖显著激活的位置信息。为此，本文提出因子化轴卷积门控循环单元（GRU）模型。模型使用多尺度各向异性卷积和双轴卷积块注意力模块，强化方向特征并突出关键时频区域。动态自适应池化（DAP）根据提取的特征图自适应聚合时频轴信息，随后 GRU 捕获潜在表示的时间动态，Monte Carlo dropout 提供预测不确定性估计。两套公开轴承数据集的实验表明，所提模型在不同工况下均优于现有 RUL 预测方法。消融实验显示，因子化轴设计相较于各向同性卷积显著降低平均误差；在一个数据集上 DAP 明显提升性能，在另一个数据集上与 GAP 表现持平，进一步验证了各向异性特征提取和自适应特征聚合对基于 TFR 的 RUL 预测的重要性。
点评