严建文 钟小虎 范 煜 郭三敏1，

1.合肥工业大学管理学院，合肥，2300092.合肥工业大学航空结构件成形制造与装备安徽省重点实验室，合肥，2300093.浙江大学机械工程学院，杭州，3100584.安徽皖维集团有限责任公司，合肥，238002

0 引言

高功率半导体激光器及其阵列具有体积小、质量小、能耗低、光斑易调节、光电转换效率较高的优点，已广泛应用于金属材料加工，该种激光器可用于连续性焊接不同型号的合金钢，获得大面积深度均匀的相变硬化层，也能够精确地控制熔覆层结构及其几何形状[1]。为保证材料加工过程的安全性和可靠性，需利用预测与健康管理(prognostics and health management， PHM)技术对高功率半导体激光器的状态进行监测和分析[2]。PHM技术的主要目的在于预测故障发生的时间和地点，估计剩余使用寿命(remaining useful life， RUL)的分布或期望[3]，提高激光器的可靠性。准确的RUL预测可为决策者提前制定维修计划和优化供应链管理，减少不必要的维修或更换成本，提供有效的信息。

相比于传统的基于可靠性的方法[4-5]，现有的数据驱动方法主要通过对状态监测或检测数据进行分析，捕捉数据中潜在的退化规律和故障失效信息，通常可以分为两类。①基于退化模型的方法[6](如维纳过程模型[7]、伽马过程模型[8]、逆高斯过程模型[9]、隐(半)马尔可夫模型[10-11]等)，旨在对设备的退化演化过程进行建模，如采用逆高斯过程模型对退化过程进行分析，以预估GaAs激光器的RUL分布[12-14]。这类方法均假定退化模型是事先知道的，模型参数利用状态监测数据进行估计，然而实际工程中很难事先确定一个适当的退化模型，且退化模型选择不当将会严重影响RUL的预测精度[15]。……