在工程实际中，很多系统在其寿命周期中都存在贮存和工作状态的切换，且运行状态的切换对设备的退化过程有较大影响，而当前缺少相应的研究。鉴于此，本文系统考虑了运行状态切换和状态持续时间的随机性以及不同状态有不同退化率等关键问题，利用连续时间马尔可夫链(CTMC)建立了刻画贮存-工作状态切换的系统运行模型，得到运行状态切换时间、切换次数、状态持续时间的联合概率分布，并将其融入随机系数回归模型，实现退化系统的剩余寿命估计。仿真试验表明，所提方法能有效实现运行状态切换下的系统剩余寿命估计。
剩余寿命估计 运行状态切换 马尔可夫过程 随机系数回归 remaining life estimation operation state switching Markov process random coefficient regression
剩余寿命(RUL)估计是设备健康管理的重要环节。基于扩散过程提出了一种融合寿命数据与退化数据的剩余寿命估计方法，利用首达时间的概念得到了剩余寿命的解析概率分布，并且给出了一种离线优化、在线更新的退化模型参数更新方法。首先将基于寿命数据的极大似然参数估计值作为Bayesian更新的初始值，然后通过Bayesian方法融合设备自身的退化数据更新退化模型的参数，最终实现剩余寿命的实时估计。实验结果验证了本文方法的有效性和优越性。
寿命数据 退化数据 扩散过程 极大似然估计 Bayesian方法 lifetime data degradation data diffusion process Maximum Likelihood Estimation(MLE) Bayesian method
