工业设备、**装备等大型复杂系统在全寿命周期中通常会经历贮存、待机、测试、运转、维修等多个状态, 且不同状态下设备内部损耗速率各不相同, 这给设备的剩余寿命预测问题带来新的挑战。鉴于此, 提出了基于维纳过程建立多状态切换设备的退化模型, 结合半马尔可夫模型和离散马尔可夫链模型, 推导得到了多状态切换设备的剩余寿命, 并提出了一种蒙特卡罗仿真算法进行求解。此外, 采用了期望最大化算法和极大似然算法辨识所提模型参数。最后, 通过仿真实验和实际案例证明了所提算法的有效性。

在现有研究中,通常采用无记忆效应的马尔可夫过程模型来描述光电设备的随机退化,忽略了其退化过程中状态之间的长期相关性。鉴于此,首先,基于非线性分数布朗运动提出了一种具有记忆效应的随机退化模型,用于描述测量误差与随机效应影响下的光电设备退化过程;在此基础上,基于弱收敛理论推导得到了首达时间意义下设备剩余寿命的近似解析式。其次,分别采用极大似然估计算法与贝叶斯推理完成了模型参数的离线估计与实时更新,进而实现剩余寿命的自适应预测。最后,将所提方法应用于GaAs激光器的性能监测数据中,实验结果表明所提方法能有效提高光电设备剩余寿命的预测精度。

针对新研发光电产品存在先验信息不足、缺乏历史数据等问题,提出一种基于期望最大化(EM)算法的剩余寿命(RUL)自适应预测方法。然而,现有大多数RUL预测方法中普遍存在两个方面问题:在退化建模中存在一个潜在的假设,即当前时刻估计的随机参数与上一时刻随机参数的后验估计完全相等;在参数估计中假定存在多组同类型光电产品的历史退化数据,用于离线确定模型初始参数,致使RUL预测的精度受限于数据量。鉴于此,在状态空间模型的框架下构造一个新的退化模型,进一步推导出RUL分布的解析解;提出一种基于EM算法的自适应参数估计方法,以克服先验信息不足、缺乏历史数据等问题;通过GaAs激光器和光纤陀螺的实际退化数据进行实验研究。结果表明本文方法不仅可以提高RUL预测的精度,而且可以有效地应用于新研发的光电产品。

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。