物联网、云计算和大数据等新一代信息技术和新一轮工业革命,促使设备整个寿命周期管理发生了质的改变,包括分布式传感网络获取的性能和环境数据在内的工业大数据的采集,为设备故障预测与健康管理(Prognostics and Health Management,PHM)提供了必要的基础条件。PHM作为保证设备安全和可靠性的关键技术,能够有效地监测设备的运行状态,预测设备的剩余使用寿命(Remaining useful life,RUL),以优化运行、维护及保障策略。准确的RUL预测可以为决策者提前制定维修计划和优化供应链管理提供有效的信息,从而减少不必要的维修或更换成本。相比于基于失效物理模型的方法,基于数据驱动的方法避免了机理模型建立过程的高复杂性、高耗时性和高额成本,在设备更新迭代周期逐渐缩短的现代工业中更为经济和适用。然而在工业实际中,失效历史数据即“run-to-failure”过程数据往往十分稀缺,这导致基于有限的失效历史数据预测设备的RUL具有很大程度的不确定性,其预测结果往往与实际偏差很大,难以满足优化运行、维护及保障策略等方面的要求。本文系统地分析了两种适合基于有限失效历史数据进行RUL预测的数据驱动方法,并在提高预测准确度方面进行了深入研究,以下是本文的主要研究内容:(1)针对基于相似性的方法,本文研究了训练样本性能退化速率差异的影响,并讨论了对这种影响的量化方法,在此基础上提出了一种考虑退化速率差异影响的基于相似性的方法。通过实例验证,证明了方法在有限失效历史数据情况下的有效性和准确性。(2)针对基于支持向量回归(support vector regression,SVR)的方法,本文一方面考虑了传统SVR方法线性度随着样本集的增加而增加,导致容易出现过拟合或欠拟合的问题,另一方面考虑了退化轨迹多样性导致单SVR模型过于追求泛化性而损失实用性的问题,从而提出了一种基于SVR、健康阶段划分、整群抽样和相似度匹配的方法。通过仿真和实例验证,证明了方法在有限失效历史数据情况下的有效性和准确性。