随着科技进步,在装备车辆中也引进了多种新技术,这使得装备车辆的信息化技术日益完善,自动化程度逐步提高。这也导致着装备车辆功能的复杂化。对接机构便是这其中一种复杂的新型装备车辆。而对接机构的可靠安全运行尤为重要。目前国内对于故障预测与健康管理(Prognostics and Health Management,PHM)系统的研究尚处于初期阶段,缺乏系统的通用软件、硬件平台,尚无法形成一套即统一又完善的体系。因此本文将建立一套PHM系统,以满足对接机构的稳定可靠运行。本文以对接机构为研究对象,设计了一种基于长短时记忆网络的PHM系统。分析了对接机构PHM系统的理论基础长短时记忆网络(Long Short-Term Memory,LSTM)的特性,改进了LSTM单元结构,并对其学习能力进行了仿真验证。设计了对接机构的故障预测与健康管理系统的总体方案,并搭建对接机构的关键部件的实验采集平台,进行实时数据的采集与分析。为更具说服力地证明本文模型的诊断与预测能力,采集了不同转速、不同负载和不同采样频率下的传感器数据。建立了基于LSTM的对接机构故障诊断模型。分析对接机构的主要故障,并通过对传感器数据进行Hibert-Huang变换,提取传感器数据的时频特征,并将特征分量作为故障诊断模型的输入序列。通过对基于LSTM的对接机构故障诊断模型的训练,使得故障诊断模型在不同负载、不同采样频率和不同故障的数据时,故障检测率可达到99.9%,故障虚警率为0.2%。建立了基于LSTM的对接机构健康管理模型。健康管理模型分为故障预测模型与剩余寿命模型。其中故障预测模型将Encode-Decode模型引入到LSTM网络当中,以当前时刻的时间序列作为输入,以下一时刻的时间序列作为输出,进行一种无监督学习。对于正常数据以及故障数据有着良好的数据预测能力。最终故障预测模型的均方根误差平均值可以达到0.17。将预测数据输入到故障诊断模型中可以实现故障预测。剩余寿命预测模型是利用Attention机制对LSTM输出的中间输出序列进行选择学习,从而实现根据实时状态对剩余寿命的预测。其中剩余寿命模型的均方根误差平均值可以达到6.4。