75、多工况下基于多源传感器数据融合的剩余使用寿命预测及蜂窝制造工业应用

多工况下基于多源传感器数据融合的剩余使用寿命预测及蜂窝制造工业应用

多工况下基于多源传感器数据融合的剩余使用寿命预测

剩余使用寿命（RUL）预测是预防性维护的重要前提。多工况设备的特征波动问题给RUL预测的准确性带来了挑战。下面将详细介绍一种针对多工况设备的RUL预测方法。

1. 现有RUL预测方法概述

目前，常见的RUL预测方法大致可分为基于模型的方法和数据驱动的方法。
- 基于模型的方法 ：需要建立数学模型来描述RUL与设备衰减特征之间的关系，并利用观测数据实时更新模型参数以预测RUL。常见的有粒子滤波（PF）、马尔可夫方程、指数退化模型、维纳模型等。这种方法通常需要一定的经验知识和明确的退化机制。
- 数据驱动的方法 ：通过机器学习建立运行数据与退化状态之间的黑盒关系，无需研究退化机制和大量先验知识。例如基于卷积长短时记忆（CLSTM）网络的深度神经网络、自适应贝叶斯算法、基于长短时记忆（LSTM）神经网络的单阶段和多阶段迭代预测模型等。

由于深度学习具有良好的预测效果，成为数据驱动方法中的研究热点。许多研究将其应用于设备的RUL预测，如基于自编码器的门控循环单元（AE - GRU）模型、深度双向长短时记忆（DBLSTM）神经网络等。

然而，许多设备往往具有多种工况，经典深度学习方法在多工况下的预测效果不如单一工况。因此，提出了一种新的RUL预测方法，主要创新点如下：
1. 提出一种能反映设备劣化趋势的特征融合方法。通过基于K - means的方法识别工况并标准化传感数据，建立加权线性模型将多个特征融合为一个特征。