健康评估、预测和剩余使用寿命-通过“快速”神经网络进行预测
实施连接工具需要相当高的技能，并且通常基于试错过程，这种过程耗时长且令人气馁。此外，在PHM应用中，希望找到并利用与当前退化轨迹完全相同的轨迹是不现实的。因此，有必要扩展预测工具的边界，以确保在观察到新情况时将其整合到模型中。这个过程应在合理的时间内完成。下面，我们提出一种具有学习收敛性的预测算法，使得预测系统的结构可以在最短时间内重新学习，因此可以根据需要多次重新学习。此外，该算法能够减少构建预测器时所需的假设，并最大限度地降低随机初始化过程的影响。
