基于深度学习的复杂退化系统剩余寿命预测研究现状与挑战

工程设备与军事装备在运行过程中由于材料磨损、工况变化等多方面原因,系统性能逐渐退化甚至失效,造成经济损失与人员伤亡。因此,为保障系统正常运行,剩余寿命(RUL)预测技术受到研究人员的重点关注。大数据时代下所获得的监测数据具有高维度、强耦合性等特点,采用传统的剩余寿命预测方法难以建模,而深度学习方法能精确建立监测数据与退化状态或寿命标签间的映射关系。详细阐述了4种典型深度学习技术在剩余寿命预测领域的研究现状,总结各类方法的优缺点,最后探讨了基于深度学习的复杂退化系统剩余寿命预测方法的未来研究方向。

基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用

数据驱动的设备剩余寿命(RUL)预测方法旨在通过建模分析设备运行监测数据,以确定设备剩余可用时间,因此数据的质量直接关系到预测结果的精度。随着传感器技术的发展与物联网的普及,数据规模呈井喷式增长,但海量数据往往存在数据缺失问题,这类问题将会对建模的准确性与决策的可靠性产生关键性影响。针对数据缺失下的剩余寿命预测问题,论文提出了一种基于深度卷积生成对抗网络(DCGAN)的缺失数据生成方法。该方法利用生成对抗网络(GAN)强大的学习能力,采用深度卷积网络学习真实分布并对缺失数据进行填充处理,并结合Kolmogorov-Smirnov(K-S)非参数检验的思想以改善生成对抗网络训练不稳定、建模过于自由的缺点。在此基础上,利用双向长短时记忆网络(Bi-LSTM)建立了设备退化趋势预测模型,通过预测退化量超过失效阈值的时间实现了剩余寿命的预测。最后,基于锂电池退化数据对所提方法进行了应用验证,并且通过对比完整数据、生成数据以及缺失数据下剩余寿命预测结果进一步表现本文方法在解决数据缺失问题方面的优越性,同时可以提升剩余寿命预测对数据缺失的鲁棒性。