行星齿轮箱寿命预测模型

可解释多阶段预测

该模型结合元学习与分数阶随机过程，提高风力发电机行星齿轮箱剩余寿命预测的可解释性与准确性。

Hongqing, Zheng · Wujin, Deng · 宋万清 · Wei, Cheng · Cattani, Piercarlo · Villecco, Francesco

Fractal and Fractional 2024

技术优势

特征选择可解释

采用基于度量的特征选择算法，使模型决策依据透明可追溯。

建模随机退化

在线阶段用自适应扩散的分数阶广义 Pareto 运动描述退化的随机性。

融合神经网络与随机过程

利用 meta-LSTM 学习退化趋势的通用表示，同时保留长程依赖建模能力。

应用场景

• 风电设备健康管理：预测风电齿轮箱剩余寿命，支持预防性维护决策。
• 旋转机械故障预测：通过退化趋势建模实现故障早期预警，减少非计划停机。
• 设备剩余寿命预测：提供可解释的寿命估计，辅助确定维护时机。