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。

无人装备一般数量众多、执行任务时间长、环境恶劣, 因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低, 为解决此问题, 提出基于Kalman融合模型的RUL预测方法。首先, 采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段; 其次, 利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测, 每种模型可以捕捉综合性能指标的不同特征; 最后, 通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示, Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度, 与ELM, SVR和GM(1,1)单一模型相比, 拟合精度分别提高了16.96%, 1.61%和39.84%, 预测精度分别提高了45.06%, 38.35%和74.12%。

针对湿式离合器油液监测数据具有来源分散、 数据量大及时间轴不稳定等问题, 对光谱分析得到的多数据进行融合, 利用维纳过程的预测实时性和预测准确的优点, 建立模型开展离合器剩余寿命预测研究。 首先, 通过排列熵加权证据融合方法对离合器寿命试验获得的指示元素进行融合, 构建健康指数； 其次, 结合维纳过程建立退化模型并通过极大似然法对模型中的参数进行估计； 再次, 根据历史退化数据对参数进行更新得到离合器剩余寿命预测模型； 最后, 将预测模型与实例进行对比, 得到利用融合多元素的健康指数建立的维纳过程预测模型预测准确性相比单指示元素预测有了很大提升, 其预测点更接近试验值。 通过观察也发现, 湿式离合器运行50～60 h左右时, 预测点有了明显的变化, 而同样在220～230 h时, 预测点有了明显的偏差, 在240 h左右又重新接近试验值, 其突变点对应了离合器磨损的三个阶段, 即初期磨损, 正常磨损和剧烈磨损。 研究结果表明, 融合油液光谱数据结合维纳过程建立的预测模型用于湿式离合器的剩余寿命预测, 具有预测实时性强且预测精度高的优点, 而通过预测结果和试验值对比发现, 湿式离合器磨损状态的不同对预测结果也有一定的影响, 尤其磨损状态转变点对预测结果的影响更大。

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题, 提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法, 前者引入混合高斯分布作为先验, 通过对参数梯度进行无偏蒙特卡罗估计以优化BNN, 后者引入一种离散化的高斯先验分布以正确地定义KL散度, 进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN, 证明了改变分布组合可以获得更好的预测效果。

工程设备与**装备在运行过程中由于材料磨损、工况变化等多方面原因, 系统性能逐渐退化甚至失效, 造成经济损失与人员伤亡。因此, 为保障系统正常运行, 剩余寿命(RUL)预测技术受到研究人员的重点关注。大数据时代下所获得的监测数据具有高维度、强耦合性等特点, 采用传统的剩余寿命预测方法难以建模, 而深度学习方法能精确建立监测数据与退化状态或寿命标签间的映射关系。详细阐述了4种典型深度学习技术在剩余寿命预测领域的研究现状, 总结各类方法的优缺点, 最后探讨了基于深度学习的复杂退化系统剩余寿命预测方法的未来研究方向。

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。

针对步进加速退化试验中具有性能退化趋势的随机退化设备，采用非线性Wiener过程，建立与设备退化特征相符的步进加速退化模型；采用极大似然估计(MLE)法，求解出先验参数估计值；利用目标设备当前监测数据，基于贝叶斯方法更新随机系数后验分布；利用全概率公式，推导考虑随机系数估计不确定性的设备剩余寿命分布；通过算例分析验证了所提方法的正确性和优势。

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。

原子发射光谱分析得到的磨损微粒元素浓度是综合传动装置性能劣化评估和剩余寿命预测的重要监测指标。 由于系统随机劣化过程和光谱测量误差的影响, 油液光谱数据中不可避免包含系统劣化随机性和光谱测量不确定性。 然而, 现有基于油液光谱数据的剩余寿命预测研究中, 没有考虑劣化过程的随机性和测量的不确定性对剩余寿命预测的影响。 因此, 针对综合传动装置劣化随机性和油液光谱数据测量不确定性对寿命预测的影响, 提出一种考虑系统随机劣化和数据不确定测量的综合传动装置劣化过程建模方法。 基于随机过程首中时间的概念, 定义了综合传动装置的剩余寿命; 基于Wiener随机过程, 建立了考虑系统随机劣化和不确定测量数据的综合传动装置劣化模型, 利用极大似然估计方法, 估计了劣化过程模型的参数; 利用卡尔曼滤波技术, 实现了综合传动装置劣化状态的实时估计与更新, 进一步得到了考虑系统劣化随机性和光谱数据测量不确定性的剩余寿命分布。 研究结果表明, 提出的劣化建模方法能够准确估计装置的运行状态, 避免了采用条件维护时间对装置进行维护与保养的局限性; 综合传动装置的维护时间预测值比条件维护时间延长了193 Mh(113.5%) ; 考虑光谱数据测量不确定性的剩余寿命预测方法优于不考虑测量不确定性的方法。

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。