温海茹，陈雯柏

(北京信息科技大学 自动化学院， 北京 100101)

在航空航天、军工装备、工业制造业领域，研究关键设备的剩余使用寿命(Remaining Useful Life,RUL)，对有效改进维护策略和避免发生故障具有重要的实际意义。剩余使用寿命是可靠性分析中的重要指标之一，是指关键设备从运行条件开始当前时刻到失效时刻的时间间隔[1]。在大数据背景下，传统的寿命预测技术正逐渐向人工智能预测方向转变，在利用人工智能技术进行剩余寿命预测方面，数据驱动的寿命预测方法成为主流，根据文献[2]数据驱动的方法可分为统计数据驱动方法和机器学习方法。统计数据驱动方法需要已知退化模型并依赖状态监测数据。基于机器学习的方法可输入多种类型的数据不局限于状态监测数据且能够解决退化模型未知的问题,按深度可分为浅层机器学习方法和深度学习方法。对于浅层机器学习的寿命预测方法，文献[3]提出一种基于最小二乘法和支持向量机结合的寿命预测方法并成功应用于数字电路74LS280剩余寿命预测。文献[4]提出一种基于PSO-BP神经网络的刀具寿命预测，利用粒子群算法(PSO)优化网络权重，克服了BP神经网络反向传播收敛速度慢的问题。这些浅层方法不能提取设备数据之间的深层特征，大多数还是依赖信号处理技术，难以处理海量数据。对于深度学习的寿命预测方法，文献[5]构建了一种卷积神经网络(Convolutional Neural Networks,CNN)，在所获取的监测信号中使用时间变量序列来实现剩余寿命预测，自动提取空间特征。……