本书主要讨论了复杂不确定条件下随机退化装备的剩余寿命预测方法及应用。在对当前剩余寿命预测方法综述的基础上，分别考虑不确定因素、随机冲击、分阶段等不确定条件下统计数据驱动的自适应预测方法。进一步考虑数据缺失、多指标相关性等不确定情况下基于深度学习等智能算法的剩余寿命预测方法。全书内容新颖、体系合理、理论方法与实践应用深度融合．不仅包括了基于统计数据驱动的剩余寿命预测方法，还包括了最新的基于智能算法的剩余寿命预测方法，且均通过实例进行了验证分析，反映了国内外在剩余寿命预测方向上研究与应用的最新进展。 本书可作为剩余寿命预测方向的研究生教材，也可为长期从事随机过程剩余寿命预测、深度学习剩余寿命预测等方面理论研究或应用研究的科研人员提供参考。

第1章 绪论
1.1 剩余寿命预测的研究进展
1.2 复杂不确定条件下的剩余寿命预测方法综述
1.2.1 机器学习的剩余寿命预测
1.2.2 统计数据驱动的剩余寿命预测
1.2.3 基于融合思想的剩余寿命预测
1.3 复杂不确定条件下的剩余寿命预测面I临的机遇与挑战
1.3.1 机遇
1.3.2 挑战
第2章 存在多层不确定影响下的随机退化装备剩余寿命预测方法
2.1 引言
2.2 表征三层不确定性的非线性退化建模
2.3 三层不确定性下的剩余寿命预测方法
2.4 三层不确定性下非线性模型的参数估计
2.5 仿真验证与实例研究
2.5.1 数值仿真
2.5.2 航空铝合金疲劳裂纹增长退化数据
2.5.3 惯性平台陀螺仪漂移退化数据
2.6 本章小结
第3章 测量不确定性影响下的随机退化装备自适应剩余寿命预测方法
3.1 引言
3.2 问题描述与退化建模
3.3 剩余寿命预测分布推导和自适应预测
3.4 参数估计
3.5 仿真验证与实例研究
3.5.1 仿真验证
3.5.2 锂电池实例研究
3.6 本章小结
第4章 随机冲击影响下随机退化装备自适应剩余寿命预测方法
4.1 引言
4.2 问题描述与退化建模
4.3 剩余寿命预测分布推导与更新
4.3.1 剩余寿命预测分布推导
4.3.2 剩余寿命预测在线更新
4.4 参数估计
4.5 仿真验证与实例研究
4.5.1 仿真验证
4.5.2 陀螺仪实例研究
4.5.3 锂电池实例研究
4.6 本章小结
第5章 分阶段退化情况下随机退化装备自适应剩余寿命预测方法
5.1 引言
5.2 问题描述与退化建模
5.3 两阶段剩余寿命预测分布推导与自适应预测
5.4 参数估计
5.4.1 潜在退化状态估计
5.4.2 基于EM算法的自适应估计
5.4.3 变点检测
5.5 仿真验证与实例研究
5.5.1 仿真验证
5.5.2 实例研究
5.6 本章小结
第6章 单维数据缺失下基于深度学习的剩余寿命预测方法
6.1 引言
6.2 基于PSO-NICE的数据生成
6.2.1 流模型
6.2.2 PSO-NICE模型
6.3 基于Attention的Bi-LSTM的RUL预测
6.4 基于PSO-NICE缺失数据生成的RUL预测
6.5 实验与分析
6.5.1 数据集描述
6.5.2 实验过程及结果分析
6.6 本章小结
第7章 多维数据缺失下基于深度学习的剩余寿命预测方法
7.1 引言
7.2 问题描述
7.3 基于NICE模型的多元退化数据填充模型
7.4 基于TCN-BiLSTM模型的多元退化数据预测模型
7.5 实例验证
7.5.1 数据集介绍与预处理
7.5.2 多源退化数据生成
7.5.3 RUL预测
7.5.4 实验结果及性能分析
7.6 本章小结
第8章 基于混合深度神经网络的多元退化装备剩余寿命预测方法
8.1 引言
8.2 基于CDBN构建健康指标
8.3 基于Bi-LSTM网络进行时间序列预测
8.4 构建CDBN-BiLSTM网络模型框架
8.5 实例验证
8.5.1 数据集描述
8.5.2 实验过程及结果分析
8.6 本章小结
第9章 考虑多性能指标相关性的退化装备剩余寿命预测方法
9.1 引言
9.2 特征选择
9.3 基于Copula函数构建健康指标
9.3.1 Copula函数简介
9.3.2 Copula函数模型选择
9.3.3 基于条件抽样方法构建健康指标
9.4 基于Attention-BiLSTM网络进行时间序列预测
9.4.1 Bi-LSTM网络分析
9.4.2 构建Attention-BiLSTM网络模型
9.5 实例验证
9.6 本章小结
参考文献