李潇瀛，方 鸽，李昌均

(1.西安工业大学新生院，陕西 西安710038；2.93140部队，广东 广州 510052；3.空军工程大学研究生院，陕西 西安 710038)

1 引言

随着设备的复杂性和其自身价值的提高，在设备运行过程中对其进行信号的监测，进而评估设备健康状态并对设备寿命进行预测成为一种通用做法。设备寿命预测是进行维修决策，降低设备使用寿命周期费用的基本前提，也是预测与健康管理(Prognostics and Health Management，PHM)最为关键的部分[1，2]。对设备进行寿命预测的方法可以主要分为基于物理失效模型的方法和基于机器学习的寿命预测方法，基于物理失效模型的方法通过分析设备工作机理得出其退化函数，进一步通过估计设备当前状态得出寿命预测；基于机器学习的寿命预测方法主要利用设备退化数据，由算法学习设备退化规律，从而对设备的寿命进行在线或离线的预测[3]，由于其对监测数据自动处理的优势得到了越来越多的应用。

近期发表的一些研究表明，相当一部分设备和部件的退化呈现出明显的多阶段特性[4]，此外，对于间歇性工作的设备来说，即使其退化过程为线性过程，由于其寿命过程为休眠状态与工作状态交替，其退化过程也呈现出多阶段退化的特点[5]。为了实现对多阶段退化设备进行准确的寿命预测，在文献[6]中，作者使用聚类的方法对系统的不同退化阶段进行估计，得到拐点之后，针对不同退化阶段特点采取对应的维修策略。文献[7]利用同类设备退化特性对设备退化拐点进行估计，进而用支持向量回归机对设备寿命进行预测，文献[8]利用纯机器学习的方法对设备退化信号进行特征选择，确定特征与标签的关联度后对设备退化进行分析。……