CN110738360A - 一种设备剩余寿命预测方法及系统 - Google Patents

Abstract

本发明属于机械设备状态监测和寿命预测技术领域，并公开了一种设备剩余寿命预测方法及系统。该方法首先需要获取设备多种物理量的历史监测信号，并从中筛选相关度较高的信号；然后为筛选出的信号设置归一化标签并转换为矩阵形式；再构建嵌套式长短期记忆神经网络，使用已知的信号矩阵进行训练，得到设备剩余寿命预测模型；最后利用高斯滤波法进一步优化模型输出，保证输出结果平稳可靠。本发明的方法及采用上述方法的系统能够对设备，尤其是长周期工作和具有耦合故障模式的机械设备的剩余使用寿命和退化状态进行实时精准预测，可实现机械设备故障的提前感知，保证设备的安全、稳定、长期运行。

Description

一种设备剩余寿命预测方法及系统

技术领域

本发明属于机械设备状态监测与寿命预测领域，涉及一种设备剩余寿命预测方法及系统，更具体地，涉及一种融合嵌套式长短期记忆神经网络(Nested Long Short-TermMemory，NLSTM)算法和高斯平滑滤波(Gauss filter)的设备剩余寿命预测方法。

背景技术

伴随着装备制造业向自动化、网络化、绿色化、智能化的方向发展，机械设备结构越来越复杂，组成单元之间关联度越来越高，且功能复合。一旦其发生故障，将难以及时准确地诊断出故障原因。此外，机械设备的运行环境复杂、工况多变，其组成单元可能发生不同程度的故障，造成机械设备的损坏甚至造成重大的安全事故。因此，需要开展机械设备寿命预测技术攻关，以便在设备发生故障前及时采取预防性维修策略，避免故障突发。这一方面可以保障机械设备的安全可靠运行，提高经济效益，另一方面可以为机械设备维修提供了决策依据，降低了维修的成本。

不管是循环神经网络(Recurrent Neural Network，RNN)模型，还是长短期记忆神经网络(Long Short-Term Memory，LSTM)及其相关衍生网络结构，都是按照时间推移的顺序进行数据处理；这意味着长期信息会随着时间推移逐渐消失，从而导致梯度消失的问题。虽然LSTM相比RNN，能记住的信息得到了量级提升，但是在实际状态监测和寿命预测技术领域，需要处理的时序数列长度远大于LSTM所能记住的量级。另外，如果时间跨度大，且网络又很深，那么训练RNN或LSTM将会耗费大量的资源。这些都给机械设备剩余寿命的准确预测带来了巨大的挑战。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于NLSTM和高斯滤波的设备剩余寿命预测方法。所述的设备剩余寿命预测方法采用NLSTM模型对传感器采集的信号进行分析预测，对预测结果进行高斯滤波，预测出最可能的剩余寿命，实现对设备剩余使用寿命的在线预测。

为实现上述目的，按照本发明的一个方面，提供了一种设备剩余寿命预测方法，包括如下离线训练和在线检测阶段：

离线训练阶段：

步骤1：获取机械设备多种物理量的历史状态监测信号，包括加速度、温度、压力和位移信号；

步骤2：对步骤1所获取的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度较小的信号；

步骤3：为步骤2中筛选出的历史状态监测信号在所有时刻下，每一时刻设置一个对应的归一化标签值，用于描述当前时刻机械设备的剩余寿命和退化状态；将步骤2筛选出的历史状态监测信号按照时间顺序转化为矩阵形式，矩阵中每一行作为一个向量，包含了当前时刻所有的状态数据；按照时间顺序，每个时刻对应矩阵中的一行，矩阵中的每一行对应一个归一化标签值；

步骤4：将步骤3获得的矩阵逐行输入嵌套式长短期记忆神经网络模型，即将包含各个时刻的状态的向量按照时间顺序一一输入嵌套式长短期记忆神经网络模型，将嵌套式长短期记忆神经网络模型的输出设为归一化标签值，重复训练直至输出的归一化标签值与步骤3中已知的归一化标签值相符，结束训练，得到设备剩余寿命预测模型；

在线检测阶段：

步骤5：按照步骤2中筛选出的历史状态监测信号类型进行实时采集，将实时采集的状态监测信号输入到设备剩余寿命预测模型中，然后对设备剩余寿命预测模型当前时刻的实时预测结果以及当前时刻之前所有时刻的预测结果，进行高斯滤波，取高斯滤波之后的预测结果作为当前时刻的最终寿命预测结果。

进一步地，步骤2中，以如下所示公式中的SC为参考依据，对多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号：

其中，SC越大则相关度越高，Mon和Corr分别是各个历史状态监测信号随时间变化的单调性和相关性，K为采样时的样本点总数，δ()为符号函数，f_T(t)为历史状态监测信号在t时刻的平均趋势特征值，f_U(t)和f_L(t)分别为历史状态监测信号在t时刻时，上下包络线的值。

进一步地，步骤1中还包括对历史状态监测信号采用加权移动平均法进行平滑滤波，公式如下：

其中，α为平滑系数，x_t是t时刻下历史状态监测信号数据平滑前的采样数据，y_t是t时刻下历史状态监测信号数据平滑之后的数据；

步骤2中，对平滑处理后的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号。

进一步地，步骤3中，为步骤2中筛选出的信号在每一时刻均设置一个对应的折线形标签值，用于描述当前时刻机械设备的剩余寿命和退化状态，所述折线形标签值的设定如下：设在初始状态下退化不显著，后期状态下退化过程呈线性，而剩余寿命标签按照下式计算：

其中，Mark_x(t)表示第x台设备筛选出的所有监测信号在t时刻对应的剩余寿命标签；RUL_x表示的是第x台设备的监测信号覆盖的总寿命长度；折线型标签的转折位置选取为距离机械设备故障前的倒数第λ个数据点。

进一步地，步骤4中，根据下式的Score值评估训练后模型预测结果的准确性：

其中，Score越小则模型预测结果越准确，当Score值小于预设值，视为输出的归一化标签值与步骤3中已知的归一化标签值相符；n是参与训练的采样设备的总数，

其中

为嵌套式长短期记忆神经网络模型对设备i的剩余寿命的预测值，RUL_i为设备i的真实剩余寿命。

进一步地，步骤4中，根据最后一次循环时输入的历史状态监测信号数据所得的预测结果，计算Score值，若Score值在预期范围外，则调整嵌套式长短期记忆神经网络模型的学习率、训练次数、隐含层深度和/或嵌套层数，然后继续进行训练，直至Score值符合预期，训练结束。

进一步地，所述嵌套式长短期记忆神经网络模型中，长短期记忆细胞的控制方程如下：

输入门：i_t＝σ_i(x_tW_xi+h_t-1W_hi+b_i)

遗忘门：f_t＝σ_f(x_tW_xf+h_t-1W_hf+b_f)

单元更新：c_t＝f_t⊙c_t-1+i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

输出门：o_t＝σ_o(x_tW_xo+h_t-1W_ho+b_o)

隐含层更新：h_t＝o_t⊙t₀(c_t)

其中，W_xi、W_xf、W_xc和W_xo为长短期记忆细胞对输入数据的权值矩阵；W_hi、W_hf、W_hc和W_ho是衡量上一个时刻隐含层信息权重的权值矩阵；b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态更新以及输出门操作运算时的偏置矩阵；x_t是t时刻的输入值，o_t为t时刻的输出值，h_t和h_t-1分别是t和t-1时刻的隐含层值，c_t为t时刻的记忆单元状态，i_t、f_t分别为t时刻输入门和遗忘门的值；⊙为点乘运算符，σ_i、σ_f、σ₀分别为输入门、遗忘门和输出门的Sigmoid函数，t₀为输出门的tanh函数；

将单元更新c_t的加法操作，替换为如下具备状态属性和学习能力的状态更新函数，即令：

c_t＝m_t(f_t⊙c_t-1,i_t⊙g_t)

其中，

g_t＝i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

m_t是可替代细胞，当m_t被替代成另一个独立的长短期记忆细胞时，嵌套层数+1，而所述另一个独立的长短期记忆细胞中的状态更新函数可以以同样的方式进行替换，从而不断嵌套。

进一步地，嵌套式长短期记忆神经网络包括至少两个嵌套层。

为了实现上述目的，本发明还提供了一种设备剩余寿命预测系统，包括处理器、数据采集模块，以及按照如前任意一项的离线训练阶段训练得到的设备剩余寿命预测模型；

数据采集模块用于实时采集状态监测信号，处理器用于调用设备剩余寿命预测模型，根据实时采集的状态监测信号进行寿命预测。

总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1.本发明利用嵌套式长短期记忆神经网络模型能够定义记忆在时间上的层次的特点，能有效地对信息进行筛选和分层记忆，从而强化非线性映射能力，提高了模型在复杂耦合情况下的适应性；在线检测阶段采用高斯滤波的方法进一步处理模型的输出结果，使得在对机械设备剩余寿命进行实时预测时，获得的结果更加平稳准确，保障设备的安全、稳定、长周期运行。

2.与传统的方法相比，本发明采用的折线形式的标签处理训练数据，很好地拟合了实际退化过程，进一步提升模型输出结果的准确性。

3.本发明的方法及采用上述方法的系统能够对设备，尤其是长周期工作和具有耦合故障模式的机械设备的剩余使用寿命和退化状态进行实时精准预测，可实现机械设备故障的提前感知，保证设备的安全、稳定、长期运行。

附图说明

图1为本发明优选实施例的方法流程图；

图2为本发明优选实施例的两种不同的数据标签设置结果图；

图3(a)为本发明优选实施例的嵌套式长短期记忆神经网络的结构图；

图3(b)为图3(a)中神经网络结构的放大图；

图3(c)为图3(a)中表层长短期记忆细胞的结构放大图；

图3(d)为图3(a)中嵌套层长短期记忆细胞的结构放大图；

图4为本发明优选实施例的滤波前后某发动机寿命预测结果；

图5为本发明优选实施例的滤波前后剩余寿命预测结果与真实值对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

参看图1，本发明所提出的一种基于嵌套式长短期记忆神经网络和高斯滤波的设备剩余寿命预测方法包括以下步骤：

步骤1：获取机械设备多种物理量的状态监测信号，并采用加权移动平均法对信号进行平滑滤波，处理公式如下：

其中，α为平滑系数，x_t是t时刻下历史状态监测信号数据平滑前的采样数据，y_t是t时刻下历史状态监测信号数据平滑之后的数据。优选地，所述状态监测信号包括加速度，温度，压力，位移。

步骤2：根据如下所示公式中的SC为参考依据，对所获取的多种状态监测信号进行筛选，剔除与机械设备退化过程无关或相关度小的信号；

其中，Mon和Corr分别了信号随时间变化的单调性和相关性，其计算公式如下所示：

其中

K——样本点总数

δ()——符号函数

f_T(t)——t时刻的平均趋势特征值，其表达式如下式所示：

其中，f_U(t)和f_L(t)分别为信号在t时刻上下包络线的值；

步骤3：如图2所示，对状态监测数据设置折线型标签。为步骤2中筛选出的信号在所有时刻设置一个对应的归一化标签值，描述当前时刻机械设备的剩余寿命和退化状态。认为在初始状态下，退化不显著；后期状态下，退化过程呈线性。优选地，折线型标签的转折位置选取为距离机械设备故障前的倒数第125个数据点；具体的计算方法根据如下所示公式：

其中，Mark_x(t)表示第x台机械设备的所有监测数据在t时刻对应的剩余寿命标签；RUL_x表示的是第x台机械设备的监测信号覆盖的总寿命长度。

步骤4：构建如图2所示的嵌套式长短期记忆神经网络模型。该模型结构存在若干个层次，第一层为循环神经网络的基本结构，存在输入层，隐含层和输出层。第二层结构即为第一层次中隐含层神经元采用了三个具有精确控制信息流向的门结构控制单元状态，使得模型具有记住和忘记信息的能力。在此层次下，模型结构等价于一般的长短期记忆网络，其具体的控制方程如下：

输入门：i_t＝σ_i(x_tW_xi+h_t-1W_hi+b_i)

遗忘门：f_t＝σ_f(x_tW_xf+h_t-1W_hf+b_f)

单元更新：c_t＝f_t⊙c_t-1+i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

输出门：o_t＝σ_o(x_tW_xo+h_t-1W_ho+b_o)

隐含层更新：h_t＝o_t⊙t₀(c_t)

其中，W_xi，W_xf，W_xc和W_xo为长短期记忆细胞对输入数据的权值矩阵，W_hi，W_hf，W_hc和W_ho是对上一个时刻隐含层信息的权值矩阵，这两类矩阵分别用于控制输入数据和上一个时刻的信息流入当前时刻的处理，b_i，b_f，b_c，b_o分别为输入门、遗忘门、单元状态更新以及输出门操作运算时的偏置矩阵，x_t是t时刻模型的输入值，o_t为t时刻的输出值，h_t和h_t-1分别t和t-1时刻的隐含层值，c_t为t时刻的记忆单元状态，i_t、f_t分别为t时刻输入门和遗忘门的值。⊙代表点乘，σ_i、σ_f、σ₀分别为输入门、遗忘门和输出门的Sigmoid函数，t₀为输出门的tanh函数。

如图2所示，嵌套式长短期记忆神经网络是在长短期神经网络上的发展，上述控制方程中记忆单元状态更新的加法操作，替换为具备状态属性和学习能力的函数，即：

c_t＝m_t(f_t⊙c_t-1,i_t⊙g_t)

其中，g_t的计算方式如下：

g_t＝i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

在嵌套式长短期记忆神经网络中，这个复杂函数m_t被替代成了另一个独立的长短期记忆细胞时，就形成了嵌套层数为2的嵌套式长短期神经网络。而这个独立的内层长短期记忆神经网络中的状态更新函数可以以同样的方式进行相同更换，从而不断嵌套，此处不再赘述。故嵌套式长短期记忆神经网络模型相对普通的长短期记忆神经网络模型多出了嵌套层数这一参数。

将预处理结束后的历史状态监测数据按照时间顺序转化为矩阵形式，每一行作为一个向量，包含了当前时刻所有的状态数据且与标签数据对应一一对应。将矩阵形式的数据按照时间顺序一一输入模型，并不断循环若干次，重复训练模型。根据最后一次循环输入数据所得预测结果计算的Score，反复修正模型的学习率、训练次数、隐含层深度、嵌套层数等参数，使得Score尽量小，得到使得模型最优的一组参数，认为模型训练完毕。Score的计算方法如下所示：

其中，n是训练机械设备的总数。其中

为模型对机械设备剩余寿命的预测值，RUL_i为机械设备的真实剩余寿命。

将实时采集的状态监测信号输入到已经训练优化完的嵌套式长短期记忆神经网络模型中，模型每一时刻的预测结果同之前所有时刻的预测输出进行高斯滤波，取滤波之后该时刻的值作为最终预测结果。

为证明所述方法的有效性，使用NASA的C-mapss航空发动机实验数据进行验证。

该数据集包括了26个信号，其中21个是传感器监测信号，其他3个表示操作条件的设置。数据集中，每个时间序列代表来自同一复杂系统的不同引擎。每个引擎由不同的元件组成，如压力压缩器、涡轮机等。所选数据集是在一种操作条件下采集的且包含了两种故障模式，共有三个文本文件组成：(1)“TRAIN_FD004”：包含249个训练单元，测量记录被认为是从健康状态开始并在达到失败时停止；(2)“TEST_FD001”：包含248个测试单元，数据只包含了从开始状态随机长度的数据，目标是让使用者预测剩余使用寿命；(3)“RUL_FD004”：包含实际的剩余使用寿命值。TRAIN_FD004被用来训练和检验模型，模型训练完成后用来对TEST_FD004中发动机进行预测，预测的剩余使用寿命最终和RUL_FD004中给定值进行对比。

按照所述方法平滑和对信号进行筛选之后，如图3(a)～图3(d)所示，对训练集“TRAIN_FD004”的数据设置折线形标签。对预测结果进行滤波后的效果如图4所示，由图可知，针对具体某台发动机的预测结果在经过高斯滤波之后结果稳定性得到了很好的控制。同时对248个测试单元选取部分，预测结果与真实值的比较如图5所示，可见预测的剩余寿命与真实值有较大吻合，这进一步反应了本方法的精确性。此外，例举另外几种已经提出的方法，使用Score值评估模型如表1所示，可以看出本方法拥有更低的Score值，可见本方法明显优于其他三种已经提出的方法。

表1各方法预测结果的Score值

注：CNN-卷积神经网络，GRU-门控循环单元，SVR-支持向量机。

此外，上述实施例中，嵌套式长短期记忆神经网络是基于LSTM神经网络的变体，完全继承了LSTM神经网络门式结构以及记忆单元结构的特点。所述LSTM门式结构，即：输入门，输出门和遗忘门，具备选择性地对信息进行筛选的能力，记忆单元的功能在于存储历史信息。嵌套式长短期记忆神经网络框架结构与普通长短期记忆网络相比，隐含层中的LSTM记忆单元的更新方式从加法操作改为具有状态属性和学习能力的函数。本发明中，此函数采用另一层LSTM。需要说明的是，所选函数可以但并不限于LSTM，对于其他以相同的操作方式，不同的函数形成的网络结构应同属嵌套式长短期记忆神经网络，应在权利保护范围以内。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种设备剩余寿命预测方法，其特征在于，包括如下离线训练和在线检测阶段：

离线训练阶段：

步骤1：获取机械设备多种物理量的历史状态监测信号，包括加速度、温度、压力和位移信号；

步骤2：对步骤1所获取的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度较小的信号；

步骤3：为步骤2中筛选出的历史状态监测信号在所有时刻下，每一时刻设置一个对应的归一化标签值，用于描述当前时刻机械设备的剩余寿命和退化状态；将步骤2筛选出的历史状态监测信号按照时间顺序转化为矩阵形式，矩阵中每一行作为一个向量；按照时间顺序，每个时刻对应矩阵中的一行，矩阵中的每一行对应一个归一化标签值；

步骤4：将步骤3获得的矩阵逐行输入嵌套式长短期记忆神经网络模型，即将包含各个时刻的状态的向量按照时间顺序一一输入嵌套式长短期记忆神经网络模型，将嵌套式长短期记忆神经网络模型的输出设为归一化标签值，重复训练直至输出的归一化标签值与步骤3中已知的归一化标签值相符，结束训练，得到设备剩余寿命预测模型；

在线检测阶段：

步骤5：按照步骤2中筛选出的历史状态监测信号类型进行实时采集，将实时采集的状态监测信号输入到设备剩余寿命预测模型中，然后对设备剩余寿命预测模型当前时刻的实时预测结果以及当前时刻之前所有时刻的预测结果，进行高斯滤波，取高斯滤波之后的预测结果作为当前时刻的最终寿命预测结果。

2.根据权利要求1所述的一种设备剩余寿命预测方法，其特征在于，步骤2中，以如下所示公式中的SC为参考依据，对多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号：

其中，SC越大则相关度越高，Mon和Corr分别是各个历史状态监测信号随时间变化的单调性和相关性，K为采样时的样本点总数，δ()为符号函数，f_T(t)为历史状态监测信号在t时刻的平均趋势特征值，f_U(t)和f_L(t)分别为历史状态监测信号在t时刻时，上下包络线的值。

3.根据权利要求2所述的一种设备剩余寿命预测方法，其特征在于，步骤1中还包括对历史状态监测信号采用加权移动平均法进行平滑滤波，公式如下：

其中，α为平滑系数，x_t是t时刻下历史状态监测信号数据平滑前的采样数据，y_t是t时刻下历史状态监测信号数据平滑之后的数据；

步骤2中，对平滑处理后的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号。

4.根据权利要求1～3任意一项所述的一种设备剩余寿命预测方法，其特征在于，步骤3中，为步骤2中筛选出的信号在每一时刻均设置一个对应的折线形标签值，用于描述当前时刻机械设备的剩余寿命和退化状态，所述折线形标签值的设定如下：设在初始状态下退化不显著，后期状态下退化过程呈线性，而剩余寿命标签按照下式计算：

其中，Mark_x(t)表示第x台设备筛选出的所有监测信号在t时刻对应的剩余寿命标签；RUL_x表示的是第x台设备的监测信号覆盖的总寿命长度；折线型标签的转折位置选取为距离机械设备故障前的倒数第λ个数据点。

5.根据权利要求1～3任意一项所述的一种设备剩余寿命预测方法，其特征在于，步骤4中，根据下式的Score值评估训练后模型预测结果的准确性：

其中，Score越小则模型预测结果越准确，当Score值小于预设值，视为输出的归一化标签值与步骤3中已知的归一化标签值相符；n是参与训练的采样设备的总数，

其中

为嵌套式长短期记忆神经网络模型对设备i的剩余寿命的预测值，RUL_i为设备i的真实剩余寿命。

6.根据权利要求5所述的一种设备剩余寿命预测方法，其特征在于，步骤4中，根据最后一次循环时输入的历史状态监测信号数据所得的预测结果，计算Score值，若Score值在预期范围外，则调整嵌套式长短期记忆神经网络模型的学习率、训练次数、隐含层深度和/或嵌套层数，然后继续进行训练，直至Score值符合预期，训练结束。

7.根据权利要求1～3任意一项所述的一种设备剩余寿命预测方法，其特征在于，所述嵌套式长短期记忆神经网络模型中，长短期记忆细胞的控制方程如下：

输入门：i_t＝σ_i(x_tW_xi+h_t-1W_hi+b_i)

遗忘门：f_t＝σ_f(x_tW_xf+h_t-1W_hf+b_f)

单元更新：c_t＝f_t⊙c_t-1+i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

输出门：o_t＝σ_o(x_tW_xo+h_t-1W_ho+b_o)

隐含层更新：h_t＝o_t⊙t₀(c_t)

其中，W_xi、W_xf、W_xc和W_xo为长短期记忆细胞对输入数据的权值矩阵；W_hi、W_hf、W_hc和W_ho是衡量上一个时刻隐含层信息权重的权值矩阵；b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态更新以及输出门操作运算时的偏置矩阵；x_t是t时刻的输入值，o_t为t时刻的输出值，h_t和h_t-1分别是t和t-1时刻的隐含层值，c_t为t时刻的记忆单元状态，i_t、f_t分别为t时刻输入门和遗忘门的值；⊙为点乘运算符，σ_i、σ_f、σ₀分别为输入门、遗忘门和输出门的Sigmoid函数，t₀为输出门的tanh函数；

将单元更新c_t的加法操作，替换为如下具备状态属性和学习能力的状态更新函数，即令：

c_t＝m_t(f_t⊙c_t-1,i_t⊙g_t)

其中，

g_t＝i_t⊙t_i(x_tW_xc+h_t-1W_hc+b_c)

m_t是可替代细胞，当m_t被替代成另一个独立的长短期记忆细胞时，嵌套层数+1，而所述另一个独立的长短期记忆细胞中的状态更新函数可以以同样的方式进行替换，从而不断嵌套。

8.根据权利要求1～3任意一项所述的一种设备剩余寿命预测方法，其特征在于，嵌套式长短期记忆神经网络包括至少两个嵌套层。

9.一种设备剩余寿命预测系统，其特征在于，包括处理器、数据采集模块，以及按照如权利要求1～8任意一项的离线训练阶段训练得到的设备剩余寿命预测模型；

数据采集模块用于实时采集状态监测信号，处理器用于调用设备剩余寿命预测模型，根据实时采集的状态监测信号进行寿命预测。

Images