郭 亮，李长根，高宏力，董 勋，向守兵

（西南交通大学机械工程学院，四川 成都 610031）

在外部因素和内部因素作用下，机械设备性能与健康状态在运行过程中会呈现出衰退趋势，当衰退达到一定程度时，机械设备将无法完成正常任务和功能，造成难以挽回的经济损失和资源浪费.因此，迫切需要掌握机械设备的实时健康状态并预测剩余寿命，从而切实增强机械设备运行的安全性[1-3].随着物联网、工业互联网、人工智能等技术的发展，制造企业在所运行的机械设备中内嵌了各种类型的传感器，为机械设备的作业监控、性能维护和预防性养护提供了海量数据来源，推动机械设备状态监测进入了工业大数据时代，为全面掌握装备的健康服役状态提供足量信息[4-5].

在工业大数据时代，数据驱动的方法是剩余寿命预测的主流方法.数据驱动寿命预测方法主要分为基于统计数据驱动、机器学习和相似性的方法[6-9]：基于统计数据驱动的方法一般假定退化模型已知，直接利用状态监测数据和（或）环境数据对模型参数进行离线估计和在线更新，而实际工程中的退化模型是未知的，且不同类型设备的退化模型也不尽相同，退化模型的选择不当将严重影响剩余寿命的预测精度；而基于机器学习的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限于状态监测数据，可以是多种不同类型的数据[10-12]，传统基于机器学习的寿命……