随着现代化系统总体呈现出大型化、互联性和复杂化等趋势,定期维修和事后维修的成本越来越高。人们希望利用故障预报技术实现早期的状态预测和剩余使用寿命估计,在故障发生之前及时发现问题并采取相应维修决策,从而避免安全事故的发生。故障预报通常在系统退化模型或历史监测数据的基础上实现系统的状态估计和状态趋势预测,包括了基于模型的故障预报方法和基于数据的故障预报方法。这两类方法各有千秋,并不能相互取代。因此,充分利用已知的数据信息和有限的机理知识,发展组合故障预报方法,成为提升系统可靠性和安全性的新思路。为了避免单一模型刻画实际运动模式的不准确性,本文首先从状态估计角度出发,研究基于扩展卡尔曼滤波的交互多模型估计算法,然后将其应用于制导律辨识,提出基于交互多模型扩展卡尔曼滤波的制导律辨识算法。该算法利用多模型算法输出的模型概率来表征候选模型的使用程度,通过寻找最大概率对应的模型辨识出制导律,同时实现制导律参数的估计。考虑到支持向量回归机具有较好的小样本回归预测能力,本文同时研究一类基于支持向量回归机的早期故障预报算法,实现了健康状态预报。由于支持向量回归机的参数好坏严重影响着其预测精度,本文在优化理论的基础上,分别提出利用鲸鱼算法和正弦余弦算法对支持向量回归机的参数进行选择。这些算法有效地平衡了参数空间的全局搜索和局部探索,避免了陷入局部最优的问题,同时减少了优化算法内置参数的选择对预测精度的影响,提高了支持向量回归机的时间序列预测精度。一个可靠的故障预报方法需要尽可能地知道未来退化状态的趋势,这样才能有足够时间采取措施,避免故障的发生或减少故障带来的损失。随着预测步长的增加,多步预测模型的准确度会快速下降,在不确定性环境中的可靠性更加难以接受。针对长短期记忆模型在多步预测过程中无法更新模型权重的问题,本文利用支持向量回归机对训练误差进行建模和预测,然后在多步预测过程中补偿长短期记忆模型的残差信号,提高了基于多输入多输出多步策略的健康状态预测精度。针对实际可能出现的非平稳信号,本文利用经验模态分解对非平稳信号分解,然后在各个分解分量中利用最小二乘支持向量回归机进行建模预测,最后将预测结果进行融合,提高了非平稳健康状态信号的多步预测精度和效率。目前基于支持向量回归机的故障预报研究主要集中在系统状态预测,通过计算首次达到失效阈值的时间实现剩余寿命的点估计。实际退化过程由于不确定性因素的影响变得更加复杂,不同阶段的退化状态可能对应不同的退化模型。在交互多模型估计的基础上,本文利用基于粒子滤波的交互多模型算法实现了故障预报的不确定性表达,同时利用支持向量回归机对状态滤波测量值进行建模和预测,然后在多步预测过程中补偿滤波模型的残差信号,从而提高了多步剩余寿命估计的准确度,并得到了剩余寿命概率密度函数的分布信息。综上所述,基于多模型估计及其组合方法的故障预报具有良好的扩展性,能够充分挖掘已知的数据信息和有限的退化知识,提高多步故障预报精度。本文最后对全文的研究工作进行了总结,并对下一步的研究方向进行了展望。