随着社会经济的飞速发展,全世界每年有大量废旧产品被淘汰,这在导致资源浪费的同时也造成了环境污染,因此如何充分利用其剩余价值就显得十分重要。再制造工程就是一种通过修复或改造报废产品而延长其剩余使用寿命的新兴产业,而无损检测和寿命预测技术对再制造毛坯的可再制造性评价以及再制造产品是否符合生产使用标准起到了关键性作用。本文的目的就是基于无损检测和数据融合技术对再制造构件的剩余寿命进行评估,进而确定毛坯的可再制造性。基于拉-拉疲劳试验,利用金属磁记忆和声发射监测系统对试件在疲劳循环过程中的关键部位进行了同步在线监测。试验结果表明,每个监测点处的磁记忆和声发射信号变化趋势均表现为明显的三个阶段,与疲劳损伤演变过程中的裂纹萌生、裂纹稳态扩展和裂纹失稳扩展阶段相对应。通过分析疲劳循环过程中的磁记忆信号变化规律,提取了合成磁信号、法向幅值差和法向偏差等3个特征参数。通过对声发射监测数据进行小波包能量谱分析,得到不同寿命阶段的声发射信号高频能量占比;通过对监测信号进行小波分解与重构,然后对重构的信号进行信息熵提取,得到声发射信号的小波熵值;最终确定了声发射幅值、能量、高频占比和小波熵等4个特征参数。利用BP神经网络对磁记忆和声发射的特征参数进行数据层融合,根据正态分布函数对试件寿命的概率分配进行模糊指派,分别预测试件在磁记忆和声发射单一无损检测方法下寿命所在各区间的概率。在此基础上,基于Bayes理论对磁记忆和声发射两种方法的基本概率分配进行指标层融合,得到融合后各寿命区间的概率分配结果,该结果的预测精度比单一方法更高。基于D-S证据理论对磁记忆监测和声发射监测结果进行融合,得到了比Bayes方法更加准确的预测结果;提出基于加权融合算法的D-S证据优化方法,通过引入权重系数,将D-S证据理论的基本概率分配值进行修正,然后对修正后的基本概率分配值重新进行数据融合,进一步提高了预测精度,结果表明比原始的模糊概率分配精度提高了近10%。