在现代工业的发展进程中,科学技术的进步推动着设备不断趋向于复杂化、高效化和自动化。作为企业重要的生产力保障,设备的健康状况直接影响着企业的生产运营和经济效益,因此开展设备健康预测的研究具有十分重要的意义。面向某燃气轮机零部件加工有限公司（下文简称S公司）的运维需求,在分析了国内外设备健康预测相关研究发展现状的基础上,通过算法改进和优化建模,本文提出了一套基于自相关隐马尔科夫模型的设备健康预测方法。该套方法以信号分析和特征提取为基础,利用性能衰退评估监测设备当前的状态,并通过自适应报警区分其生命周期的三个阶段。在实施健康预测时引入触发机制,以性能评估的结果为依据,对处于正常使用阶段的设备只进行健康状况的监控,对进入初期劣化和快速失效阶段的设备进行RUL（Remaining Useful Life,剩余有效寿命）估计。性能衰退评估能为维护决策提供定性的参考,分阶段预测的思想能够提高健康预测的准确度,从而有效地解决设备健康管理的问题。本文所完成的主要研究成果如下:（1）在进行健康预测时,要关注设备运行情况在全生命周期的劣化趋势,而直接采集的振动信号含有较多噪声且较单一,因此首先通过时域、频域和时频联合分析的方法提取峰峰值、有效值、偏度、中心频率、小波包能量等反映振动信号不同特性的多组特征值,通过相关性分析选择出与运行时间具有强相关关系的敏感特征,进一步考虑敏感特征的对比强度和相互关系,提出特征加权构建组合特征参数,能够较好地描述设备性能的单调变化,同时也保证了振动信号信息的完整性和有效性。（2）设备的健康状况在生命周期会逐渐劣化而偏离正常态。采集设备正常运行时的信号,通过训练HMM（Hidden Markov Model,隐马尔科夫模型）建立评估模型,将待研究设备的特征参数代入其中,利用前向算法输出似然概率,消除观测序列长度的影响构建健康指标HI（Health Index）,并建立自适应报警限对劣化的不同阶段进行区分。针对监测过程中可能出现的数据缺失问题,改进了Viterbi识别算法,在观测的值域范围内,搜索各隐藏状态下的最大观测概率对缺失位置进行填补,保证了最终HI的顺利输出。利用S公司工厂实测数据和IMS（Intelligent Maintenance System,辛辛那提大学智能系统维护中心）的轴承加速退化试验数据对性能衰退评估方法进行验证,评估结果准确率较高。（3）在设备健康状况监测的过程中,通过传感器采集的信号经过分析和特征提取后获得的特征参数在时域上往往具有自相关性,针对这一特点对HMM进行优化,提出了自相关隐马尔科夫模型（AHMM,Auto-correlated Hidden Markov Model）,在观测序列概率分布的均值中引入一阶自相关函数。同时定义了设备健康的微状态,使AHMM的核心变量具有实际的物理意义,从而较准确地表达设备健康衰退的物理过程,并考虑两种寿命终止准则——设备劣化至健康水平最差的微状态以及监测信号特征参数达到失效阈值,分别建立了剩余有效寿命估计方法。现阶段工厂实测数据较少,暂时无法进行轴承寿命预测,因此利用加速退化试验的轴承全生命周期数据,对本文所提出的RUL评估方法进行了分析验证,结果表明预测可靠度较高。