摘要
本发明公开了一种基于健康指数构建与神经网络融合的寿命预测方法，属于设备状态监测与预测性维护技术领域。该方法通过多源退化特征提取、共同动态主成分分析(CDPCA)降维、健康指数构建与归一化、深度学习多模型建模、集成学习融合以及贝叶斯优化超参数寻优，实现设备部件退化过程的在线健康评估与剩余寿命预测。具体地，首先从传感器采集信号中提取时域、频域及时频域特征，并通过CDPCA进行降维，获得有效退化表征；然后将主要特征加权构建健康指数(HI)曲线，并通过遗传算法优化权重后归一化；再基于归一化HI序列构建CNN、Bi‑GRU、Bi‑RNN、Bi‑LSTM及SRNN等多种神经网络模型，实现退化趋势建模；随后将各神经网络输出结果输入集成学习模块进行融合优化；最后利用贝叶斯优化对模型关键超参数进行自动寻优。在设备运行过程中，可实时计算归一化HI曲线并输入融合模型，动态输出部件剩余寿命估计值。本发明能够在复杂工况下提供高精度、鲁棒性强、可在线的寿命预测，提升设备运维的安全性和可靠性，具有广泛工程应用价值。
