郑建飞， 牟含笑， 胡昌华， 赵瑞星， 张博玮

(1.火箭军工程大学 导弹工程学院，陕西 西安 710025； 2.火箭军装备部驻西安地区第三军事代表室，陕西 西安 710100)

随着工业设备自动化、集成化、精密化水平的不断提升，设备运行过程中监测获得的数据规模不断增大，数据结构也日益复杂[1]。多元退化设备往往由多个部件组成，其不同的性能指标表征的设备退化过程间往往具有相关关系[2]。预测与健康管理(prognostics and health management, PHM)技术通过分析设备的性能监测数据，预测其剩余寿命(remaining useful life, RUL)，并据此开展科学合理的维修替换活动，从而有效降低设备的失效风险和维修成本[3-4]。

在工程实际中，监测获得的原始数据往往存在大量不相关或冗余信息，如果直接用来预测RUL可能会影响预测精度。在监测信息的表征方面，信息熵可以描述各性能指标包含信息量的多少，互信息能够衡量各性能指标与设备RUL之间的相关程度，已经广泛应用与RUL预测的特征筛选阶段。

近年来，针对多元退化设备的多元退化建模以及数据融合领域研究逐年增多。多元退化建模相关研究大多假设多个性能退化过程服从同一分布，对于2个性能指标以上的退化设备，往往需要采用多维分布对退化过程进行建模，模型推导和参数更新难度较大[5-6]。多维监测数据融合研究大多只是对多个性能指标进行了简单的线性组合，提取的特征不能充分反映多性能指标间的复杂耦合关系，进而难以准确描述设备的退化演进规律[7-9]。……