LSTM 网络是一种有效的 RNN 模型,可用于预测系统 RUL,因为它在顺序数据处理中具有卓越的性能。通常,由生命周期标记数据集训练的网络将具有相似的 RUL 预测精度,因为网络训练算法可以确保整个训练数据集的网络最优性。然而,对于由非生命周期标记样本训练的网络,不同训练条件引起的网络不确定性可能会导致某些局部点的退化预测不确定性。此外,由这些不确定的局部点计算的RUL预测结果可能会显示出较大的差异。因此,为了通过非生命周期标记样本训练的网络获得准确的 RUL 预测,我们的论文提出了一种新的网络模型平均方法来处理网络不确定性。更重要的是,为了充分了解训练样本的时间相关性信息,我们采用 Bi-LSTM 网络来说明所提出的网络模型平均方法的应用。最后,使用石墨/LiCoO2 电池的退化值来验证所提方法的有效性。结果表明,该方法可以提高RUL预测精度,降低预测误差。