近日，我校计量测试与仪器学院潘作舟特聘副研究员在中科院SCI一区TOP期刊《Mechanical Systems and Signal Processing》（IF=8.9）上发表了题为“Remaining useful life prediction of rolling-element bearings based on cumulative transformation and EResNet-KSLSTM network”的研究成果。该论文依托原位计量教育部重点实验室，我校作为第一作者单位，潘作舟老师作为论文第一作者，联合加拿大阿尔伯塔大学（University of Alberta）Lu Wenhao教授，阿尔伯塔大学Lu Wenhao教授为通讯作者。论文链接：https://doi.org/10.1016/j.ymssp.2025.113251。

滚动轴承作为旋转机械中的关键部件，其健康状况直接关系到设备能否安全稳定运行。然而，由于采集数据可靠性未知、早期退化特征微弱、样本数据稀缺等问题，传统数据驱动方法在实际工业场景中开展轴承原位剩余寿命预测过程的精度受限。为此，本研究提出了一种基于累积变换特征与EResNet-KSLSTM网络的轴承剩余寿命预测方法。通过构建对退化趋势更敏感的累积特征，结合增强型残差网络与堆叠LSTM网络，实现原位监测环境下的小样本轴承退化过程的高精度建模与预测。

实验结果表明，所提方法在PRONOSTIA轴承全寿命数据集上显著提升了特征单调性与趋势性，健康指标可更早、更准确地识别初始故障点，预测误差显著低于现有主流方法。该研究为工业设备在数据稀缺条件下的智能运维提供了新思路，具有重要的工程应用价值。

该工作得到了国家自然科学基金（52405097、52075470）、浙江省自然科学基金（LQN25E050004）等项目的资助。