在现代工业生产中,机器的运行状况关乎生产安全与生产进度,尤其是一些重要的设备。如果重要的设备突然失效会对整个企业甚至整个地区产生巨大的经济损失。因此,故障预测与健康管理技术在近些年发展迅速。剩余使用寿命预测作为故障预测与健康管理技术的一部分,在实际生产中的应用也逐渐从理论走向了实践。对关键设备部件的寿命进行预测将大大提高整个工业界的安全性,具有巨大的经济价值。在物联网时代,工程师可以很容易收集大量的数据,进而利用深度学习方法进行决策分析,这是疲劳寿命预测研究的一个新方向。本文围绕寿命预测展开研究,论文的主要研究内容主要包括以下几部分。在总体设计层面,确定了预测模型中所包含的软硬件部分。硬件部分包含:计算机、声发射传感器、信号放大器、采集卡、红外传感器等,软件部分主要包括Labview,FLIR Research IR,Python编写的数据处理程序,特征提取与预测程序,数据库程序等。通过分析确定了三层式的体系结构,并针对模型功能行进行描述,并根据实际需要建立共享的数据库。在数据处理层面,本文利用声发射传感器和红外传感器作为数据的采集装置,利用小波降噪方法对多传感器采集到的信号进行降噪处理。之后为减少模型计算难度进一步进行降采样,对红外热传感器采集的温度矩阵信号进行切分,剔除掉与研究对象无关的温度数据,更好更可靠的数据为下一步预测模型的建立提供了基础。在模型算法层面,本文主要使用到了两种深度学习算法用来做寿命预测,分别是循环神经网络和深度置信网络。根据实际遇到的样本有限和过拟合等问题提出了解决办法,并对模型结构参数进行逐步的分析。分别获得两个预测效果良好的模型,最终结合多个物理场景,利用集成学习建立最终的预测模型,经过对比,本文提出的模型有明显的提升效果。在试验验证层面,以广泛使用的中碳钢试件作为研究对象,利用疲劳试验台模拟金属受周期变化载荷时的疲劳的过程,配合已建立的寿命预测模型,完成八组实验。在试验的过程中,观察了中碳钢试件在整个疲劳断裂过程中的相关特征,与前期的分析工作所得结论一致。最终经过实际实验数据验证,试件疲劳寿命的预测曲线与真实值一致,预测误差在可以接受的范围内,模型具有较高易用性和较强的泛化能力。本文通过对剩余使用寿命预测方法的发展现状与不足之处的分析,提出以多传感器为基础的融合寿命预测的方法,并围绕提高预测精度与泛化性能展开讨论,其选题较为新颖,具有理论价值和现实意义。