L'exploitation prolongée des groupes électrogènes est devenue une tendance, mais les fissures dans l'acier des rotors de turbines à gaz ont un impact important sur la sécurité de fonctionnement des groupes. Le manque de données d'essais de propagation de fissures de fatigue et la complexité de la modélisation des modèles aléatoires limitent la prédiction de la durée de vie résiduelle (RUL) des fissures de fatigue. Sur la base de l'analyse des données d'essais de propagation de fissures et des modèles aléatoires existants, une méthode a été proposée pour générer des échantillons virtuels basée sur la technologie de diffusion globale (MTD) avec utilisation de la diffusion de degré d'appartenance gaussienne (GMIE), et l'utilisation de la régression des quantiles attendus (ER) combinée au modèle de réseau de neurones pour l'apprentissage extrême (ELM) pour prédire la RUL de propagation des fissures de fatigue. La prédiction de la RUL de propagation des fissures de fatigue à des cycles spécifiques est comparée aux courbes de densité de probabilité (PDF) de la RUL des méthodes analytiques numériques existantes et aux courbes de propagation des fissures de fatigue, et l'erreur moyenne absolue en pourcentage (δ_(MAPE)) est de 2,78%, ce qui confirme l'efficacité de la méthode proposée et fournit un puissant soutien à la sécurité du système de rotor de turbine.

Diffusion globale, propagation des fissures de fatigue, VSG-ELM, prédiction de la durée de vie résiduelle