一种多故障模式下产品系统寿命预测的方法

1.本发明涉及寿命预测技术领域，特别涉及一种多故障模式下产品系统的寿命预测方法。


背景技术：

2.故障预测与健康管理技术可跟踪和预测设备和系统的运行健康状态，并在故障发生前给出及时准确的维修建议，可有效确保设备和系统的长期安全可靠运行。
3.现有的研究主要针对设备或系统个体差异和退化特点展开寿命预测，而对于不同故障模式对预测结果的影响的研究较少。例如具备典型的时间序列特性的火箭控制系统状态参数，在时间应力的影响下系统发生的退化会在状态参数上反映出变化，可以采用基于数据驱动的方法通过海量历史数据预测系统剩余使用寿命。然而，由于一般情况下火箭控制系统状态参数较为复杂、系统具有多个故障模式等不稳定情况，基于数据驱动的寿命预测方法会存在三种问题：
①
火箭控制系统状态参数复杂：火箭控制系统部件较多，所需要记录的状态参数较多，且工作中存在大量噪声干扰，对寿命预测产生影响；
②
控制系统多故障模式：火箭控制系统存在多个故障模式，反应在未到寿的系统上表现为具有多条性能退化路径，不同性能退化路径对剩余寿命的影响存在差异，对寿命预测产生影响；
③
控制系统长时间序列：火箭控制系统状态参数数据时间序列较长，序列中的退化信息较难捕捉和学习，对寿命预测产生影响。由于上述三种问题的存在，目前无法对火箭控制系统开展准确的寿命预测。


技术实现要素：

4.本发明提供一种多故障模式下产品系统寿命预测的方法，以便解决无法对产品系统，例如火箭控制系统开展准确的寿命预测的技术问题。
5.本发明提供了一种多故障模式下产品系统寿命预测的方法，包括：
6.将多故障模式下的多个产品系统的全部时间序列数据作为训练集进行分析处理，确定所述训练集的产品系统的性能退化路径的多个聚类类别；
7.根据每个聚类类别的产品系统的训练集数据，构建并训练每个聚类类别对应的寿命预测模型，得到每个聚类类别训练好的寿命预测模型；
8.将多故障模式下的产品系统发生故障前的时间序列数据作为测试集进行分析处理，确定所述测试集的产品系统的性能退化路径的多个聚类类别，并利用每个聚类类别的产品系统的测试集数据对每个聚类类别训练好的寿命预测模型进行测试，得到每个聚类类别测试好的寿命预测模型；
9.通过对待测产品系统的时间序列数据进行分析处理，确定所述时间序列数据性能退化路径的聚类类别，并利用所述聚类类别对应的测试好的寿命预测模型进行寿命预测处理，得到所述待测产品系统的剩余使用寿命。
10.优选地，所述通过对待测产品系统的时间序列数据进行分析处理，确定所述时间
序列数据的聚类类别包括：
11.通过对待测产品系统的时间序列数据进行数据平滑降噪处理，得到滤除随机噪声的时间序列数据；
12.通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到与所述待测产品系统的性能退化路径相关的性能退化特征；
13.通过对所述性能退化特征的时间序列数据进行聚类，得到所述待测产品系统性能退化路径的聚类类别。
14.优选地，所述通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到与所述待测产品系统的性能退化路径相关的性能退化特征时间序列数据包括：
15.通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到所述滤除随机噪声的时间序列数据的多个pca特征，并将pca特征方差贡献率大于设定阈值的pca特征作为与所述待测产品系统的性能退化路径相关的性能退化特征。
16.优选地，所述通过对所述性能退化特征的时间序列数据进行聚类，得到所述待测产品系统性能退化路径的聚类类别包括：
17.利用动态时间规整dtw算法，计算所述性能退化特征时间序列数据之间的相似度；
18.通过对所述性能退化特征时间序列数据之间的相似度进行k-medoids聚类，得到所述待测产品系统性能退化路径的聚类类别。
19.优选地，所述利用所述聚类类别对应的测试好的寿命预测模型进行寿命预测处理，得到所述待测产品系统的剩余使用寿命包括：
20.根据所述待测产品系统性能退化路径的聚类类别，确定所述聚类类别对应的测试好的寿命预测模型；
21.利用所述聚类类别对应的测试好的寿命预测模型对所述待测产品系统进行寿命预测处理，得到所述待测产品系统的剩余使用寿命。
22.优选地，所述将多故障模式下的多个产品系统的全部时间序列数据作为训练集进行分析处理，确定所述训练集的产品系统的性能退化路径的多个聚类类别包括：
23.通过对所述训练集数据依次进行数据平滑降噪处理和主成分分析pca处理，得到与所述多个产品系统的性能退化路径相关的性能退化特征；
24.利用动态时间规整dtw算法和k-medoids聚类方法对所述与所述多个产品系统的性能退化路径相关的性能退化特征的时间序列数据进行聚类处理，得到所述训练集的产品系统的性能退化路径的多个聚类类别。
25.优选地，所述根据每个聚类类别的产品系统的训练集数据，构建并训练每个聚类类别对应的寿命预测模型，得到每个聚类类别训练好的寿命预测模型包括：
26.根据每个聚类类别，构建每个聚类类别的寿命预测模型；
27.根据每个聚类类别的产品系统的训练集数据，对所述每个聚类类别的寿命预测模型进行训练处理，得到每个聚类类别训练好的寿命预测模型。
28.优选地，所述寿命预测模型是基于transformer深度神经网络的多故障模式下产品系统剩余使用寿命预测模型。
29.本发明的有益效果是：通过对产品系统复杂的状态参数数据进行衰退特征提取，并进行性能退化路径识别，在此基础上进行剩余使用寿命预测，从而实现提升寿命预测准
确性的目标。
附图说明
30.图1是本发明提供的一种多故障模式下火箭控制系统寿命预测的方法流程图；
31.图2是本发明提供的多故障模式下火箭控制系统寿命预测的方法详细流程图；
32.图3是本发明提供的超宽带无线通讯系统电源供电模块的仿真模型示意图；
33.图4是本发明提供的电感l1退化和电容c3退化两种故障模式下1号系统样本的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征图；
34.图5是本发明提供的电感l1退化和电容c3退化两种故障模式下1号系统样本处理后的输出端纹波时序特征的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征图；
35.图6是本发明提供的全部系统样本输出端纹波时序特征的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征汇总图；
36.图7是本发明提供的对超宽带无线通讯系统电源供电模块仿真模型1输出端纹波时域特征pca贡献柱状图；
37.图8是本发明提供的超宽带无线通讯系统电模块仿真模型1全部样本特征1结果汇总示意图；
38.图9是本发明提供的超宽带无线通讯系统电模块仿真模型1全部样本相似度结果汇总示意图；
39.图10是本发明提供的超宽带无线通信系统电源供电模块仿真模型1性能退化路径识别结果示意图；
40.图11是本发明提供的transformer深度神经网络模型的预测结果示意图。
具体实施方式
41.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
42.本发明综合集成了性能退化路径识别模型和剩余使用寿命预测模型，将不同性能退化路径的系统进行区分以提高剩余使用寿命的预测精度，实现两种预测模型的有机融合。在此关键技术中，依次实现基于数据降维的性能退化特征提取模型、基于轨迹聚类的性能退化路径聚类模型和基于深度神经网络的剩余使用寿命预测模型集成，并针对控制系统具有寿命退化特征的子系统和零部件，实现具有高一致性、高准确性和高可信性的剩余寿命预测。本发明以火箭控制系统为例。
43.图1是本发明提供的一种多故障模式下火箭控制系统寿命预测的方法流程图，如图1所示，包括：
44.步骤s101：将多故障模式下的多个火箭控制系统的全部时间序列数据作为训练集进行分析处理，确定所述训练集的火箭控制系统的性能退化路径的多个聚类类别；
45.步骤s102：根据每个聚类类别的火箭控制系统的训练集数据，构建并训练每个聚类类别对应的寿命预测模型，得到每个聚类类别训练好的寿命预测模型；
46.步骤s103：将多故障模式下的火箭控制系统发生故障前的时间序列数据作为测试集进行分析处理，确定所述测试集的火箭控制系统的性能退化路径的多个聚类类别，并利用每个聚类类别的火箭控制系统的测试集数据对每个聚类类别训练好的寿命预测模型进行测试，得到每个聚类类别测试好的寿命预测模型；
47.步骤s104：通过对待测火箭控制系统的时间序列数据进行分析处理，确定所述时间序列数据性能退化路径的聚类类别，并利用所述聚类类别对应的测试好的寿命预测模型进行寿命预测处理，得到所述待测火箭控制系统的剩余使用寿命。
48.进一步地，所述通过对待测火箭控制系统的时间序列数据进行分析处理，确定所述时间序列数据的聚类类别包括：通过对待测火箭控制系统的时间序列数据进行数据平滑降噪处理，得到滤除随机噪声的时间序列数据；通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到与所述待测火箭控制系统的性能退化路径相关的性能退化特征；通过对所述性能退化特征的时间序列数据进行聚类，得到所述待测火箭控制系统性能退化路径的聚类类别。其中，所述通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到与所述待测火箭控制系统的性能退化路径相关的性能退化特征时间序列数据包括：通过对所述滤除随机噪声的时间序列数据进行主成分分析pca处理，得到所述滤除随机噪声的时间序列数据的多个pca特征，并将pca特征方差贡献率大于设定阈值的pca特征作为与所述待测火箭控制系统的性能退化路径相关的性能退化特征。其中，所述通过对所述性能退化特征的时间序列数据进行聚类，得到所述待测火箭控制系统性能退化路径的聚类类别包括：利用动态时间规整dtw算法，计算所述性能退化特征时间序列数据之间的相似度；通过对所述性能退化特征时间序列数据之间的相似度进行k-medoids聚类，得到所述待测火箭控制系统性能退化路径的聚类类别。
49.具体地说，所述利用所述聚类类别对应的测试好的寿命预测模型进行寿命预测处理，得到所述待测火箭控制系统的剩余使用寿命包括：根据所述待测火箭控制系统性能退化路径的聚类类别，确定所述聚类类别对应的测试好的寿命预测模型；利用所述聚类类别对应的测试好的寿命预测模型对所述待测火箭控制系统进行寿命预测处理，得到所述待测火箭控制系统的剩余使用寿命。
50.进一步地，所述将多故障模式下的多个火箭控制系统的全部时间序列数据作为训练集进行分析处理，确定所述训练集的火箭控制系统的性能退化路径的多个聚类类别包括：通过对所述训练集数据依次进行数据平滑降噪处理和主成分分析pca处理，得到与所述多个火箭控制系统的性能退化路径相关的性能退化特征；利用动态时间规整dtw算法和k-medoids聚类方法对所述与所述多个火箭控制系统的性能退化路径相关的性能退化特征的时间序列数据进行聚类处理，得到所述训练集的火箭控制系统的性能退化路径的多个聚类类别。
51.进一步地，所述根据每个聚类类别的火箭控制系统的训练集数据，构建并训练每个聚类类别对应的寿命预测模型，得到每个聚类类别训练好的寿命预测模型包括：根据每个聚类类别，构建每个聚类类别的寿命预测模型；根据每个聚类类别的火箭控制系统的训练集数据，对所述每个聚类类别的寿命预测模型进行训练处理，得到每个聚类类别训练好的寿命预测模型。
52.优选地，所述寿命预测模型是基于transformer深度神经网络的多故障模式下火
箭控制系统剩余使用寿命预测模型。
53.图2是本发明提供的多故障模式下火箭控制系统寿命预测的方法详细流程图，如图2所示，包括：
54.步骤一：性能退化特征提取
55.首先依次获得需要处理的所有时间序列的数据，对s个火箭控制系统状态参数时间序列进行分析，记为x1,x2,
…
,xs，对于控制系统i，共采集a个时间和b个状态参数数据点，则时间序列xi可表示为
[0056][0057]
通过基于局部加权回归方法的数据平滑降噪技术，滤除原始数据中的随机噪声，保留状态参数数据的退化信息，从而实现对原始数据中的退化信息进行提纯，具体步骤为：
[0058]
(1)确定窗口范围，窗口范围用于控制局部加权回归数据平滑的尺度。
[0059]
(2)在确定的窗口范围n内，对于其中所有的点qk，k＝1,2,
…
,n，通过加权函数ωk(qi)对qi开展d阶多项式拟合。
[0060]
(3)经过计算获得qi的拟合值pi，用于代替qi。
[0061]
函数ωk(qi)决定了权值的分布，本文选择了一种较为常用的权重函数，公式如下。
[0062][0063]
对于不同的自变量值，模型中的参数会随之变化而发生变化，在自变量空间的范围内，模型将自动给出经过局部加权回归过后函数的估计值，实现控制系统状态参数数据降噪处理工作。
[0064]
采用主成分分析(pca)算法实现控制系统状态参数降维工作，利用方差重要度贡献重构特征空间，挖掘提取出重要度贡献较高的特征实现数据降维。记火箭控制系统状态退化矩阵为x，其中每一行表示不同的监测参数xk＝(x
k1
,x
k2
,...,x
kn
)，每一列表示参数的退化过程。传动系统的某一性能状态可由随机变量xk描述，则xk的协方差矩阵为：
[0065][0066]
式中，n为退化状态的采样点数，为监测参数的均值：
[0067][0068]
求解r
x
的全部特征值λi(i＝1,2,...,n)和特征向量vi，将特征值λi按照从大到小的顺序排列：λ1＞λ2＞...＞λn，对应的特征向量为vi(i＝1,2,..,n)。样本xj投影到特征向量vi得到该方向对应的主分量为：
[0069][0070]
所有的特征向量张成一个n维正交空间，x投影到该正交空间得到相应的n维主分量。特征向量所对应的特征值越大，它在重构时的贡献也越大，特征值越小的特征向量在重构时的贡献就越小。设正交空间中前m个主分量为y1,y2,...,ym，其累计方差贡献率为：
[0071][0072]
当前几个主分量的累计方差贡献率足够大时，如h(m)＞95％，即95％以上的原始数据信息保留在这几个主分量之中，取前m(m＜n)个主分量来表征原始信息，得到降维后的系统性能退化特征矩阵y(s为控制系统数)：
[0073]
y＝{y1,y2,
…
,ys}。
[0074]
步骤二：性能退化路径聚类
[0075]
由于火箭控制系统存在多个故障模式，反应在未到寿的系统上表现为具有多条性能退化路径，不同性能退化路径对剩余寿命的影响存在差异，因此需要将系统的性能退化路径从步骤一中提取的退化特征中聚类出来，可分为两个子步骤：计算路径相似度和路径聚类。
[0076]
首先通过动态时间规整(dtw)方法计算不同火箭控制系统样本之间的特征时间序列轨迹的相似度，对于体征提取后的火箭控制系统样本数据向量ya＝[y
a1
,y
a2
,
…
,y
am
]
t
，yb＝[y
b1
,y
b2
,
…
,y
bn
]
t
(a,b为系统样本编号，m,n为对应运行循环数)后，具体步骤如下：
[0077]
(1)构造一个m
×
n的矩阵网格，矩阵元素(i,j)表示x
ai
和x
bj
两点之间的距离d(x
ai
,x
bj
)，每一个矩阵元素(i,j)表示x
ai
与x
bj
对齐。
[0078]
(2)找到通过此网格的规整路径，并用w来表示：w＝[w1,w2,
…
,wk],max{m,n}≤k＜m+n-1
[0079]
(3)路径边界条件约束，即w1＝(1,1)，wk＝(m,n)，确保所选的路径必定是从序列共同开始点出发，到序列共同终止点结束。
[0080]
(4)路径连续性约束，如果w
p-1
＝(r
′
,s
′
)，那么对于路径的下一个点w
p-1
＝(r,s)需要满足(r-r
′
)≤1和(s-s
′
)≤1，保证xa和xb中的每个坐标都在w中出现。
[0081]
(4)路径单调性约束，如果w
p-1
＝(r
′
,s
′
)，那么对于路径的下一个点w
p-1
＝(r,s)需要满足(r-r
′
)≥0和(s-s
′
)≥0，限制w上面的点必须是随着时间单调进行。
[0082]
(5)重复(2)(3)(4)得到规整代价最小的路径分母中的k用来对不同的长度的规整路径做补偿。
[0083]
得到dtw后的距离矩阵d(s为控制系统数)：
[0084][0085]
然后对距离矩阵d采用k-medoids方法把相似的样本自动归到相同的类别，最终同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征，具体步骤如下：
[0086]
(1)随机选择k个(根据具体案例故障模式数量选择，本案例中k＝2)样本作为初始聚类中心a＝[a1,a2,
…
,ak]。
[0087]
(2)对每个样本xi分别计算k个聚类中心的距离，将其划到距离最小的聚类中心。
[0088]
(3)重新计算聚类均值点聚类中心aj＝min(a,aj′
)，即新的聚类中心
为距离聚类均值点最近的样本点。
[0089]
(4)循环重复上面(2)(3)两步，直到迭代次数、最小误差变化等条件满足要求。
[0090]
通过火箭控制系统的性能退化路径相似度矩阵对系统样本进行聚类，获得不同系统样本的聚类结果(性能退化路径1或性能退化路径2)，从而实现根据将火箭控制系统按照性能退化轨迹时间序列进行识别。
[0091]
步骤三：剩余使用寿命预测
[0092]
transformer深度神经网络完全通过注意力机制，获得模型输入和输出之间的相关性关系和注意力矩阵，这使得其能够允许更多的并行化，从而获得较高的处理效率和预测质量。模型主体框架分为位置编码、编码器、全连接层三部分，模型训练过程的具体步骤为：
[0093]
(1)分别建立两个transformer寿命预测模型，对应两条性能退化路径(性能退化路径1和性能退化路径2)。按照性能退化路径将全部航空控制系统分为两类，分别将预处理和平滑降噪处理后的控制系统全部时间序列数据xi作为模型的输入(对于控制系统i，共采集a个时间和b个状态参数数据点)：
[0094][0095]
(2)将模型输入经过位置编码后转化为编码器的输入传入编码器中，为其附上位置信息，对xi进行位置编码pe，从而使得编码器的输入为xi′
＝{x
i,1
+pe1,x
i,2
+pe2,
…
,x
i,a
+pen}，其中pe计算公式如下。
[0096][0097][0098]
其中j为x
i,j
在序列xi中的位置，k为参数x
i,j,k
的在x
i,j
中的位置，d
model
为w编码的维度即为5。
[0099]
(3)编码器部分包含3个编码器层，每个编码器层包括多头自注意机制、残差连接和归一化、前馈网络、残差连接和归一化四个步骤，最终将自注意力矩阵attention传入全连接层中，注意力计算公式如下，dk为k维度的平方根：
[0100][0101]
其中，k和q必须满足在同一高维空间中的前提条件(不然无法进行计算)，而v不一定需要和k、q在同一高维空间中，只需满足最终模型的输出和v在同一高维空间中即可。
[0102]
(4)将编码器的输出作为全连接层的输入，经过全连接层的运算，最终转化为最终模型的单步长输出，即rul的预测值。
[0103]
(5)将rul预测值和rul实际值的误差作为损失函数计算损失，通过反向传播更新网络中的相关参数，重复训练直至损失达到要求。
[0104]
模型测试过程的具体步骤为：
[0105]
(1)取样本控制系统的全部时间序列数据xi，经过性能退化特征提取和性能退化路径识别后得到该控制系统的性能退化路径，将预处理和平滑降噪处理后的控制系统全部时间序列数据xi作为模型编码器的输入放入对应性能退化路径的寿命预测模型中。
[0106]
(2)对xi进行位置编码pe，从而使得编码器的输入为xi′
＝{x
i,1
+pe1,x
i,2
+pe2,
…
,x
i,a
+pen}。
[0107]
(3)编码器部分包含3个编码器层，每个编码器层包括多头自注意机制、残差连接和归一化、前馈网络、残差连接和归一化四个步骤，最终将自注意力矩阵attention传入全连接层中。
[0108]
(4)将编码器的输出作为全连接层的输入，经过全连接层的运算，最终转化为最终模型的单步长输出，即rul的预测值。
[0109]
(5)计算rul预测值和rul实际值的误差，对预测结果进行评估。
[0110]
下面以超宽带无线通讯系统电源供电模块电路仿真模型1和超宽带无线通讯系统电源供电模块电路仿真模型2两个火箭控制系统状态参数作为具体实施方式的实施例，对方法流程进行说明。
[0111]
超宽带无线通讯系统电源供电模块电路仿真模型1
[0112]
步骤11：系统状态参数获取
[0113]
利用multisim对超宽带无线通讯系统电源供电模块进行电路仿真，仿真模型如图3所示。对于超宽带无线通讯系统电源供电模块仿真模型1，存在电感l1退化和电容c3退化两种故障模式。
[0114]
对于超宽带无线通讯系统电源供电模块仿真模型1，存在电感l1退化和电容c3退化两种故障模式，分别画两种故障模式下1号系统样本的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征图如图4所示。
[0115]
步骤12：系统性能退化特征提取
[0116]
对数据进行平滑处理和归一化，分别画两种故障模式下1号系统样本处理后的输出端纹波时序特征的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征图如图5所示。
[0117]
画处理后的全部系统样本输出端纹波时序特征的峰峰值、方差、均方根、最小值、绝对值的平均值的输出端纹波时域特征汇总图如图6所示。
[0118]
采用pca技术对数据进行降维，对超宽带无线通讯系统电源供电模块仿真模型1输出端纹波时域特征pca贡献柱状图绘图如图7所示。
[0119]
经过pca处理后，超宽带无线通讯系统电源供电模块仿真模型1特征1的贡献度达到99.4％，认为特征1包含原时域特征的绝大部分信息，因此将原时域特征降维至1维。超宽带无线通讯系统电模块仿真模型1全部样本特征1结果汇总如图8所示。
[0120]
步骤13：系统性能退化路径识别
[0121]
对超宽带无线通讯系统电源供电模块仿真模型1全部样本特征1进行dtw，计算各样本之间的路径距离，作为各样本之间的相似度，路径距离越小(颜色越亮)表示两样本之间的相似度越高，即属于同一故障模式，路径距离越大(颜色越暗)表示两样本之间的相似度越低，即属于不同故障模式。超宽带无线通讯系统电模块仿真模型1全部样本相似度结果汇总如图9所示。
medoids聚类，获得超宽带无线通信系统电源供电模块仿真模型2性能退化路径识别结果。
[0140]
步骤24：系统剩余使用寿命预测
[0141]
将超宽带无线通讯系统电源供电模块仿真模型2的系统样本进行性能退化路径识别后分为两类，对应每一类性能退化路径所代表的故障模式，建立两个transformer深度神经网络模型进行训练，训练完成后将测试集系统样本带入模型进行验证，得到模型预测结果。
[0142]
正确率指标计算公式如下：
[0143][0144]
将超宽带无线通讯系统电模块仿真模型2的transformer深度神经网络模型预测结果带入公式计算正确率为98.08％，transformer深度神经网络模型满足正确率≥98％的要求。
[0145]
综上所述，本发明具有以下优点：
[0146]
(1)本发明通过dtw方法评估多个不同衰退速率、不同故障起始程度的火箭控制系统之间路径相似度，并在此基础上引入k-medoids性能退化路径聚类方法可实现大量火箭控制系统退化路径的快速精准分类；
[0147]
(2)本发明提出一种基于ttansformer深度神经网络的火箭控制系统剩余使用寿命预测模型，通过综合考虑性能退化路径对火箭控制系统剩余使用寿命预测的影响，实现了高精度的寿命预测。
[0148]
(3)本发明将故障模式作为考虑因素，对火箭控制系统的性能退化路径进行识别，将相同性能退化路径的火箭控制系统带入同一模型中进行训练和预测，有利于提高火箭控制系统剩余寿命预测精度。
[0149]
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。