深度学习在装备剩余使用寿命预测技术中的研究现状与挑战

刘 惠，刘振宇，郏维强，张栋豪，谭建荣

(浙江大学 计算机辅助设计与图形学国家重点实验室，浙江 杭州 310027)

0 引言

故障预测和健康管理(Prognostic and Health Management, PHM)是指利用大量状态监测数据和信息，借助统计算法或模型来评估和管理装备健康状态的技术。PHM可以提前对潜在故障进行预测，并结合各种装备信息提供维护决策，实现视情维护，从而提高生产过程的安全性及降低维护成本[1-4]。近年来，PHM技术在航空航天、制造业等领域表现出了良好的应用前景，为生产活动提供了安全保障[2,5]。剩余使用寿命(Remaining Useful Life, RUL)预测技术是PHM的关键技术之一，可通过分析传感器监测的运行数据或建立合适的退化模型对系统或部件的RUL进行提前预测[6-8]。参考相关文献[3,8-9]，RUL可定义为系统或部件可继续正常使用的时间长度，即当前时刻与失效时刻之间的时间间隔。

在工业生产中，对系统或部件的RUL进行准确预测能及时改进维护计划，以确保工业活动顺利进行，同时还能降低维护和生产成本，简化操作流程。与传统故障诊断相比，RUL预测技术可提前预测系统或部件的正常工作时间，对将发生的故障进行事先警报，较大程度上避免了生产事故的发生，因此更加实用[10-11]。本文研究对象为复杂装备及其关键零部件，发动机、数控机床和风力发电机等复杂装备在各行业中占据着重要地位。例如涡轮发动机是航空领域发展的核心装备，也是最容易发生故障的部件之一，其致命性故障会对飞行器造成不可挽回的损失[11-12]。……