预测和健康管理技术是降低设备运行风险及提高其可靠性的重要手段,准确地预测设备剩余使用寿命是预测和健康管理技术的基础。由于内部退化机理和外部运行环境的影响,设备退化通常表现出多阶段特征,导致退化过程难以准确建模。本文基于数据驱动的思想,针对当前剩余寿命预测领域中面临的两阶段退化、多阶段退化及存在维修情况的退化等问题,提出了相应的退化模型,进而完成剩余使用寿命预测。本文的主要工作如下:针对两阶段非线性退化问题,本文提出了基于非线性维纳过程的退化模型表征两阶段退化轨迹。首先通过最大似然法估计退化模型的未知参数,利用贝叶斯方法更新退化模型。考虑到单元异质性及变点状态随机性,推导了变点状态的转移概率函数及剩余使用寿命的近似解析解。最后,通过仿真研究和涡扇发动机退化数据验证了方法的优越性和有效性。针对多阶段退化问题,本文建立了一个基于维纳过程的带跳变的多阶段退化模型来描述多阶段退化模式。采用改进信息准则确定变点个数,并提出了一种简单有效的算法来获得变点位置。考虑到单元异质性,所有模型参数均视为随机变量。贝叶斯方法用于整合历史数据和实时数据,包括离线阶段和在线阶段。离线阶段中,基于期望最大化算法估计相应的超参数。在线阶段中,根据贝叶斯法则更新模型参数。然后,在首达时间的概念下,考虑多个随机变点和相应的跳变,推导了剩余使用寿命的表达式。最后,通过数值模拟和NASA锂离子电池退化数据完成该方法有效性的验证。针对考虑不完美维修的退化问题,本文提出了基于多阶段维纳过程的退化模型,用于描述不完美维修活动下的退化过程。通过β分布来描述残余退化系数,然后利用最大似然估计和牛顿迭代法对残余退化系数的超参数进行估计。将各阶段的扩散系数和漂移系数均视为随机变量,利用期望最大化算法完成其超参数估计。此外,利用卷积算子得到了剩余使用寿命的解析形式。最后通过数值研究和陀螺仪退化数据验证了方法的实用性和有效性。