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。

一类复杂可修退化系统模型分析

本文用算子半群理论给出了一类复杂可修退化系统动态非负解的存在惟一性证明,并进一步证明了0是系统主算子的简单本征值。