疲劳常在远低于材料强度极限、屈服极限的情况下发生。因此,对于复杂几何形状机械零部件来说,建立精准的基于数据驱动的模型来预测机械试件的剩余寿命成为亟待解决的问题。由于深度学习模型强大的非线性处理能力,在处理规律不明显的疲劳寿命预测任务上就展现出了巨大的优势。本文将围绕使用深度学习方法对声发射信号进行处理,以对机械疲劳试件进行剩余使用寿命预测为中心展开研究。论文的主要研究内容包括。(1)提出一种针对疲劳拉伸试件声发射信号的数据预处理方法,这种方法可以让深度学习模型在模型容量有限的情况下更容易、更快速的收敛。本文使用可变步长的时间窗口来作为深度学习模型的输入,通过移动时间窗口来实现模型训练数据的扩充,解决模型在测试集上表现不佳的现象。在进行数据扩充的过程中,对大数量标签使用小的扩充倍数,对小数量标签使用大的扩充倍数,从而从一定程度上改善了数据不平衡问题。(2)提出一种先进的深度学习模型。使用一维卷积核来处理时序信号。神经网络的层数越多训练越困难,这是由于激活函数、训练模型的反向传播算法、模型权重初始化等原因综合导致的。本文使用残差单元作为深度学习模型的基本单元,通过堆叠残差单元来增加深度学习模型的深度及模型容量。同时使用残差单元改进模型,改进用于计算模型梯度的反向传播算法,很大程度上减轻梯度消失所带来的训练困难,这种方法可以让模型深度很高时仍能保持稳健的预测性能。面对数据增强技术所带来的巨大硬件要求,本文使用生成器在线学习的方式来缓解由于计算机内存不足所带来的困难。(3)提出一种试用于本研究的深度学习模型调参方法。使用批标准化技术来避免梯度爆炸、梯度消失,并通过随机网格搜索来确定模型超参数的数值。使用最大池化来对每层数据进行降采样,降低数据维度。利用先进的线性整流函数作为激活函数来减轻梯度消失带来的训练困难。通过使用先进的自适应矩估计优化算法搭配深度残差网络一起使用来避免训练过程中模型收敛到局部最优点和鞍点。使用随机网格搜索并搭配使用可视化模块共同实现代码自动寻找网络最优参数,并通过一系列数据预处理的方式来增强网络的特征提取、预测能力,通过k折交叉验证对模型进行评估,最后通过测试集数据的验证,预测精度满足要求。(4)针对本文所提出的基于深度学习模型的预测方法,本文搭建了对应的声发射数据采集平台,通过采集到的疲劳拉伸试件声发射数据来验证基于深度学习模型的预测方法的准确性与可用性。本文将从声发射数据预处理、选择网络框架、训练网络权重、优化网络参数、评估网络性能等重要步骤详细展开说明。通过最终的预测效果来看,本文提出的一整套方法在机械试件剩余寿命上的预测精度满足要求,并且展现出很强的应用前景。