摘要
预测关键部件的剩余使用寿命（RUL）是制定设备维护计划的重要依据，而构建可靠的健康指标（HI）是实现RUL预测的关键。针对样本稀缺、统一失效阈值设置不合理以及多级长时记忆增强网络（MLMA-Net）在长时记忆和边界建模方面的不足，本研究提出了一种基于高斯混合模型（GMM）和改进多级长时记忆增强网络（IMLMA-Net）的齿轮箱剩余寿命预测方法。通过GMM对振动信号的概率分布进行建模，并结合分布距离度量方法（DCRM）构建HI，以克服统一阈值设置不合理的问题。为缓解小样本下特征提取和状态建模的困难，引入多级记忆增强结构和Gumbel激活函数构建IMLMA-Net，增强了对退化信息的感知能力以及对长时依赖关系的建模能力。GMM与IMLMA-Net的组合进一步提升了系统的预测性能和泛化能力。通过两组常用齿轮箱数据集进行了多组对比实验，结果表明所构建的HI能更准确地表征退化过程，且IMLMA-Net在不同工况下具有更好的RUL预测精度。
