预测与健康管理技术(Prognostics and Health Management,PHM)是一种新型的装备综合保障技术,可以大大提高系统设备的可靠性和安全性,还能降低复杂系统设备的维护费用。预测与健康管理技术包括故障预测(Prognostics)和健康管理(Management)两个部分。其中,所谓故障预测就是根据系统现在或者历史的性能状态预测部件未来的健康状态,比如,确定设备的剩余寿命或者正常工作的时间长度。因此,剩余寿命(Remaining Useful Life, RUL)预测技术是预测与健康管理技术中一项核心问题。准确预测随机退化产品的剩余寿命是进行预测与健康管理的基础,也是工程实践中的重难点问题。对于此类复杂产品,随机多变的退化演变规律一般难以机理建模,而传统的基于寿命数据的方法对于小样本、高成本的设备则难以实施。因此,基于状态监测数据进行退化建模和剩余寿命预测,进而实现管理决策的技术成为了当前可靠性工程领域的研究前沿。本文主要基于退化数据的可靠性建模对剩余寿命预测方法进行了以下两个方面的研究:1、针对线性模型,本文在首达时间的概念下,提出一种同时考虑参数不确定性和测量不确定性的Wiener过程退化模型,并推导了考虑了含参数噪声和测量误差的wiener退化设备剩余寿命概率密度函数的解析解。同时实现了在线剩余寿命预测。并用蒙特卡洛仿真验证了本文方法的有效性,最后激光管的实验结果表明本文提出的方法能显著提高剩余寿命预测的精度。2、针对非线性模型,本文基于马里兰大学锂离子电池循环寿命退化数据,对锂离子电池的寿命退化过程进行分析并选择经验退化模型,提出一种基于EKF/KF算法的离子电池剩余寿命预测方法。使用EKF算法对历史数据进行参数估计,然后利用估计的参数基于KF算法来对锂离子电池剩余寿命进行估计,利用马里兰大学的锂离子电池数据验证算法的有效性,并用MAE指标对算法进行评价。