随着市场竞争的不断加剧,可靠性已经成为产品的一个重要性能指标,受到用户和市场的关注。老练测试和故障预测是可靠性领域的两个热点问题,是确保产品和系统可靠性的重要途径,由此具有重要研究意义。随着生产工艺的精进,产品可靠性得到极大提升,早期基于故障的老练测试在这种情况下显得尤为低效。得益于现代测量技术和传感技术的发展,老练测试和故障预测有了极大发展,但仍然面临诸多挑战。本文针对高可靠产品的老练测试和多传感器数据下的故障预测问题,基于退化数据,结合当前的深度学习技术,对老练策略在线优化和剩余寿命预测展开研究。本文的主要研究工作如下:(1)调研国内外老练测试和剩余寿命预测的研究现状,阐述各类方法涉及的原理与技术特征,总结这些方法各自的优缺点,为本文之后的研究奠定基础。(2)对可靠产品的老练策略生成算法展开研究并完成老练时间的在线优化。其难点在于如何基于给定的时间序列数据获得合理的老练时间,并在老练测试时根据实际退化情况调整老练时间并完成缺陷产品筛选。算法设计上,本文基于深度学习将滑窗策略同一维卷积神经网络相结合,完成分类模型的离线训练,并在组准确率策略下,获得最佳老练时间;在线测试时,通过有效信息的判定,调整老练时间。(3)对多传感器数据下的剩余寿命预测进行研究,使其能够提供关于系统退化的一个连续可视化过程,能够保证生成的融合信号在寿命预测上具有好的表现,并且不必先验性地假定数据融合模型和退化模型以及任意的模型参数分布。为此,本文提出一个基于深度学习的剩余寿命预测框架,并进行了相关的应用设计。框架包含一个多传感器数据融合模型和一个剩余使用寿命预测模型,分别用以数据融合和剩余使用寿命预测。框架的最大特点是在离线阶段,通过提出的监督式联合训练技术完成两个子模型的联合训练。(4)构建仿真数据库和确定可用的公开数据集,进行必要的数据可视化分析和预处理。通过实验,本文设计的算法的有效性均得到了验证。