LSTM-KDE剩余寿命预测模型

动态分布预测

用LSTM和KDE-SGB动态预测剩余使用寿命的连续概率分布，替代仅有点估计的传统方法，为维护决策提供不确定性量化依据。

Xie, Shulian · 薛峰 · Zhang, Weiming Min · Jia-Wei, Zhu

Machines 2023

参数信息

剩余寿命概率分布集中范围

±10 采样周期

维护成本降低幅度

24.49~70.02 %

可用性提高幅度

0.46~1.90 %

可靠性提高幅度

0.00~27.50 %

技术优势

给出不确定性

策略输出剩余寿命的连续概率分布，维护决策基于完整分布而非单一数值，避免点估计的片面性。

成本降幅明显

在轴承案例中，与其他两种策略相比维护成本降低24.49%~70.02%，经济性显著。

可用性更高

相比其他策略，可用性提高0.46~1.90%，设备停机时间更少，生产连续性更好。

可靠性可提升

可靠性最高可提高27.50%，在特定成本与时长组合下性能更稳定，降低意外失效风险。

应用场景

• 工业设备预测性维护：替代定期维护，按剩余寿命分布动态安排维护，减少停机与成本。
• 机器人系统维护：为机器人关节、电机等关键部件提供剩余寿命预测，避免突发故障。