工程设备与**装备在运行过程中由于材料磨损、工况变化等多方面原因, 系统性能逐渐退化甚至失效, 造成经济损失与人员伤亡。因此, 为保障系统正常运行, 剩余寿命(RUL)预测技术受到研究人员的重点关注。大数据时代下所获得的监测数据具有高维度、强耦合性等特点, 采用传统的剩余寿命预测方法难以建模, 而深度学习方法能精确建立监测数据与退化状态或寿命标签间的映射关系。详细阐述了4种典型深度学习技术在剩余寿命预测领域的研究现状, 总结各类方法的优缺点, 最后探讨了基于深度学习的复杂退化系统剩余寿命预测方法的未来研究方向。

针对管道内壁缺陷深度检测的问题,建立了一种基于电涡流主动热激励的红外热成像管道缺陷深度检测方法。阐述了红外热成像管道缺陷深度检测的机理,针对埋地管道检测对热激励的特殊要求,设计了参数可调控的电涡流热激励实验装置,按照管道内壁形状制作了检测试件,通过基于电涡流的主动热激励实验,分析了谐振频率、提离高度、输入电功率这3个重要参数对热激励效率的影响,并得出它们的优化值。在此基础上,对预先设计带有不同深度缺陷的检测试件进行主动热激励,并获取其红外热图像,通过分析热图像数据发现,缺陷与非缺陷区域间灰度均值的差值随缺陷深度的变化而变化,一在定条件下二者呈单值对应关系,且具有较好的线性度。利用这一规律,通过实验数据拟合建立了槽形缺陷和圆形缺陷的深度检测模型,实验测试显示所建立的模型具有一定的检测精度。研究结果表明:在优化的电涡流主动热激励条件下,可以通过红外热图像计算出缺陷深度,所提出的基于电涡流主动热激励的红外热成像管道缺陷深度检测方法具有可行性。