火力発電ユニットの長期稼働は一般的なトレンドとなっていますが、ガスタービンロータの鋼材のクラックはユニットの安全な運転に重大な影響を与えています。疲労クラックの伝播実験データの不足とランダムモデルの複雑さは疲労クラックの残存寿命（RUL）の予測を制限しています。既存の疲労クラックの伝播実験データとランダムモデルの分析を基に、全体的なトレンド拡散（MTD）技術に基づいてガウス隶属度情報拡散（GMIE）サンプル領域を生成する方法を提案し、期待分位数回帰（ER）と極限学習機（ELM）ニューラルネットワークモデルを組み合わせて疲労クラック伝播のRULを予測しました。特定のサイクル数での疲労クラック伝播のRULを予測し、既存の数値解析手法のRUL確率密度関数（PDF）曲線と疲労クラック伝播曲線と比較した結果、平均絶対百分率誤差（δ_(MAPE)）は2.78%となり、提案手法の有効性を確認し、ガスタービンロータシステムの安全な運転を支援しています。

全体的なトレンド拡散、疲労クラック伝播、VSG-ELM、残存寿命予測