伴随着时间的增长,机械设备或其部件出现故障的概率逐渐增加。机械设备工作时长的优化和生命周期成本的最小化需要对其退化过程进行在线监测,以及对剩余寿命进行可靠预测。为了满足这样的需求,预测式健康状态管理作为新兴的工程学科,将失效机制和生命周期管理的研究联系起来。其目的是延长机械设备的服役时间,同时尽可能优化开发和维护成本。随着传感器技术的发展,大量的传感器在工业设备中得到使用,因此,以数据为驱动的预测式健康状态管理技术得到越来越多研究人员的青睐。数据驱动的预测式健康状态管理利用机械设备过去、现在与未来的信息来评估退化状态、诊断故障、预测故障与计算剩余寿命,其主体架构包括4个关键过程,分别为退化特征选择、健康状态评估、故障预测、剩余寿命估计。本文从这4个过程出发,提出一套适用于工业设备的预测式健康状态在线评估的方法。(1)针对设备在线退化数据的海量高维度特性,同时退化特征集合应表现出连续增加或减少的趋势、对监测噪声、操作环境的变化,具有鲁棒性的特点,本文提出基于遗传算法和评价标准(单调性、趋势性、鲁棒性)结合的自动退化特征选择方法。该方法以评价标准的线性组合作为遗传算法(Genetic Algorithm,GA)的适应性函数,可以直接反映特征子集对机械退化过程的相关性,引导GA的变异和搜索,从而降低数据维度与选择最优退化特征子集。(2)针对工业设备运行过程中状态与操作环境多变,存在不确定的随机因素,相同的设备可能有不同的健康状态个数的问题,提出基于SCM、FCM与GA结合的SG-FCM动态健康状态识别方法,利用SCM提供FCM初始聚类中心即健康状态个数,降低初始参数选择对FCM性能影响,同时利用GA全局搜索的能力对FCM爬坡式搜索方式进行优化降低进入局部最优解的概率,获得最佳健康状态中心位置。(3)针对单退化特征预测模型不能充分描述设备复杂退化过程的问题,利用LSTM建立多变量多步故障预测模型,并且利用多参数调优方法选择最佳预测模型,在此预测模型基础上,结合SG-FCM提出LSG-FCM动态剩余寿命计算方法,该方法可以为具有不同健康状态个数的机械设备自动分配失效阈值,从而动态提供预测模型的预测结束时间点,提高剩余寿命计算准确率。最后,为验证本文所提方法的有效性与实用性,利用涡轮风扇发动机数据集进行实验分析。实验结果表明,利用本文提出的特征选择方法能有效选择追踪设备退化进程的最佳退化特征子集;在提取的特征子集的基础上利用SG-FCM算法可获得比传统FCM更好的聚类效果,实现不同工况下变健康状态个数的健康状态识别。利用LSG-FCM模型进行动态剩余寿命计算的预测准确率可达到73%,并且预测错误跨度更小,跨度范围在[-20,42]。