随着制造业逐渐由“制造为中心”转向“服务为中心”,系统设备安全可靠的运行变的尤为重要,系统设备正常运行过程中的突然故障可能会导致整个生产过程停止并产生重大经济损失。如果能在系统设备发生故障之前对其进行剩余寿命预测,就可以及时主动地对其采取预防维修措施,从而避免事故的发生。因此,及时对系统设备的剩余寿命做出预测进而制定合理有效的维修方案的意义重大。当前的大型系统设备正朝着自动化、大型化、集成化的方向发展,这导致系统设备的故障十分复杂多变,另外大型系统设备制造成本昂贵,很难进行大量的破坏性寿命试验。因此,基于物理模型的预测方法难以应用于大型设备之上。但是系统设备在运行过程中产生大量的运行数据和状态退化数据使基于数据驱动的方法成为预测系统设备的剩余寿命的最有效方法。本文以风力发电机齿轮箱中的齿轮为例,首先通过齿轮疲劳寿命试验所获取的振动数据表征齿轮的退化状态,接着使用基于核密度估计的剩余寿命预测方法,依据齿轮发生故障时的阈值预测齿轮的剩余寿命。主要工作和研究成果如下:(1)提出了一种自适应窗宽的核密度剩余寿命预测方法。首先,针对核估计固定窗宽会导致预测结果不准确的问题,改进为根据样本的局部密度自适应选择窗宽,通过K最近邻方法计算样本之间的距离进而判断局部样本的密度,即在不同密度的区域选择不同的窗宽来提高核估计预测结果的准确性。其次,传统的核估计模型每增加一个新的样本数据,基于这些样本的核密度估计都要重新计算,这样就造成了计算重复,计算量大的问题。针对这一问题建立了核密度估计实时更新的模型,在实时监测获得最新的样本数据之后,完成了退化分布和预测剩余寿命概率函数的实时更新。最后通过齿轮的退化试验验证了所提方法的有效性和合理性。(2)提出了一种考虑到系统设备退化模式的剩余寿命预测方法。由于系统在健康状态的退化过程中,系统处于不同健康状态时的退化数据不同,退化状态和退化方式往往随着时间和样本数据不断地变化。为了在系统退化过程中实现精准的预测,提出了一种对样本数据进行K均值聚类,然后对退化模式进行划分,来实现考虑设备退化模式的自适应剩余寿命预测。