油气关键设备中齿轮箱多处于变转速、变荷载等复杂工况下,这使其故障劣化趋势呈现多模式、非线性、不确定性等特点。然而传统物理传感技术由于动态性不强、精确度不高等问题,造成其难以同时满足在线监测与准确表征设备退化状态的要求。而基于智能推理模型的虚拟传感技术通过集成直接传感与间接传感技术的优势,为实时有效监测设备运行状态提供了新的思路。其次,齿轮箱退化趋势在实际过程中通常呈现非线性、非高斯性等特点,这为趋势预测模型准确估计设备剩余寿命(Remaining Useful Life,RUL)造成了极大的挑战。因而,从提升齿轮箱监测手段与发展趋势预测模型两个方面入手,开展基于虚拟传感的设备安全预测理论与模型研究,对于实现齿轮箱的早期状态预警与趋势预测具有重要的理论意义和实用价值。本文就如何将虚拟传感技术及粒子滤波(Particle Filter,PF)方法更好地应用于设备状态监测及趋势预测展开了研究:(1)通过整合直接传感与间接传感技术,研究基于智能推理模型的虚拟传感技术用于构建易测在线辅助变量与难测关键变量之间的关联关系,从而实现齿轮箱运行状态的实时在线监测。针对齿轮箱运行过程中退化样本小的特点,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的虚拟传感监测框架,并通过与其他数据驱动模型及离线油液观测数据进行对比,实验结果证明:该传感模型可在保证监测准确度的同时,大大降低在线计算的时间,从而改善齿轮箱状态预警的精度与效率。(2)传统基于贝叶斯推理的趋势预测模型在观测方程的构建中常假设系统状态与测量信号特征为线性关系,从而造成推理信息缺乏物理依据,故障的严重程度评判难。为了解决上述问题,本文提出了一种整合PF与虚拟传感技术于一体的增强预测方法。此外,通过与基于线性观测方程的传统PF方法相对比,建议增强PF方法可以一种更泛化的解析形式有效表征设备退化状态与融合观测特征之间的非线性关系,从而改善齿轮箱状态预测的精度。(3)传统趋势预测方法中模型参数常基于经验进行预先设定,但根据设备状态在线辨识的研究较少,并且现有方法也很少从理论上研究长周期预测中不确定性的影响因素及量化方法,这使得齿轮箱RUL预测的鲁棒性与准确度较低。因而,本文提出了基于最大期望算法(Expectation Maximization,EM)的非线性在线辨识方法,它可根据最新可用观测对预测方法中模型参数进行自适应更新与修正。此外,本文进一步研究了模型参数的分布范围对长周期预测中不确定性的影响,并利用置信分布与统计方法量化不确定性,从而为齿轮箱的预测预警及维修决策分析提供支持。