王鹏瑞，刘白林，王浩同，赵 涛

(1.西安工业大学 新型网络与检测控制国家地方联合工程实验室，西安 710021；2.西安工业大学 计算机科学与工程学院，西安 710021；3.西北机电工程研究所，咸阳 712099)

现代复杂设备需要在高可靠性、低环境风险和保证人身安全的条件下运行，同时也要求设备处于健康运行状态以满足最大功率。提高复杂设备剩余寿命预测精度对于计划任务、安排维护和提高设备安全性至关重要。技术的发展导致复杂设备剩余寿命预测精度不高。为了对设备的剩余寿命进行精确预测，通过状态传感器历史监测数据结合故障率对设备的健康状况进行评估，能合理安排复杂设备生产工作，降低维护成本，最大限度地减少损失。

近年来，随着故障诊断和健康管理技术的飞速发展[1]，目前有三种利用监测信息进行设备健康状态评估的方法。第一种方法是采用物理建模和参数识别技术，结合故障检测和预测算法来估计设备的剩余寿命，缺点是准确率较低且需要较高的成本。文献[2]应用隐半马尔可夫模型对设备在线运行过程中的健康状态进行识别与预测，提出了单监测信息在线健康评估方法，建立了多监测信息在线健康预测模型和剩余寿命预测模型，但是并没有考虑设备的故障率导致准确率较低。文献[3]提出了自适应隐半马尔可夫模型的前向—后向算法、Viterbi算法和Baum-Welch算法,利用最大似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练,但是由于算法复杂导致计算复杂性较高且需要较高的成本。……