郭旭东, 宋浏阳， 王华庆*， 徐福健， 董作一

(1.北京化工大学 机电工程学院，北京 100029；2.中国航发湖南动力机械研究所，湖南 株洲 412000；3.中化化肥有限公司，北京 100031)

机械设备性能与健康状态会在工作过程中呈现出衰退趋势，当衰退达到一定程度时，设备将无法完成规定的生产要求，进而造成难以挽回的经济损失和资源浪费。因此在机械设备的运行阶段，要保障系统的安全可靠运行，需要对其状态进行监测，通过获取的监测信息来预测其剩余使用寿命(Remaining Useful Life,RUL)，而对于RUL的预测将成为预防性维护的重要依据，能够为制定合理的维护策略提供有效的支持[1]。

航空发动机的RUL预测是机械设备性能健康状态检测中最具挑战性的技术之一[2]。通常，RUL估计主要是根据传感器采集的时间序列数据，预测机械丧失其运行能力之前的剩余时间。现有的RUL估计方法可以分为三类：基于物理模型的方法，基于数据驱动的方法和混合方法。基于物理模型的方法利用故障劣化与故障机制的先验知识，以数学方式对设备的劣化模式进行建模及RUL估计，例如Paris-Erdogan Model[3]和指数模型[4]，但工业实践中难以获得足够的先验知识限制了这类方法的应用。基于数据驱动的方法通过不同的机器学习方法来估计RUL[5]，例如支持向量回归(Support Vector Regression,SVR)[6]和人工神经网络(Artificial Neural Network,ANN)[7]，但这类方法需要事先获得大量数据。混合方法结合了前两种方法的优点：基于物理知识构建模型，通过数据驱动的方法对特征提取器参数进行优化以进行RUL估计。……