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(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。

剩余寿命预测对于设备的维修与保养具有十分重要的意义。现有的剩余寿命预测方法大多只利用了设备的当前退化信息，对设备的历史寿命信息没有充分利用，而这些信息往往包含着设备寿命的演化信息，对于准确预测设备的剩余寿命具有重要意义。针对这个问题，提出了一种融合随机退化过程与失效率建模的设备剩余寿命预测方法。该方法首先将设备的退化过程建模为Wiener过程，然后利用Cox比例失效模型建模的方法融合设备退化过程对设备失效率的影响，由此达到利用设备历史监测信息的目的。进一步通过Bayes方法，利用当前退化监测信息对退化过程模型的参数进行更新，基于此进行剩余寿命预测，从而实现设备历史数据与当前数据的有效融合。最后，通过激光发生器的退化测量数据验证了提出的方法，说明该方法是有效的，具有一定的应用价值。