机械设备的大部分失效表现为性能退化失效,因此需要通过科学有效的方法对设备的性能退化进行分析与建模,揭示其发生、发展变化规律,以在恰当时刻采取针对性的维修策略使性能退化得到控制、纠正甚至自愈。此外还需根据设备迄今为止的性能退化情况,对设备剩余寿命进行预测,为运营管理维护决策提供重要理论依据。数据驱动的方法直接对设备个体在既定服役环境下的状态监测数据进行处理,来获得设备性能退化与剩余寿命的相关信息,可以更好地反映设备的实际情况。而且对于难以建立物理失效模型的大型、复杂机械设备,也可通过数据驱动方法对其性能退化与剩余寿命进行研究。本论文对数据驱动的机械设备性能退化建模与剩余寿命预测相关问题进行了较深入的研究,论文的研究成果不仅可以应用于机械设备,而且在桥梁结构、输电杆塔等也有着广泛的应用前景。论文的主要创新性成果有如下几个方面：(1)提出了基于奇异值分解(Singular Value Decomposition, SVD)的信息(?)特征提取方法。针对工程实践中的多时刻(或多工况)、多测点传感器监测问题,本论文研究了同时集成多时刻(或多工况)与多测点监测信号进行融合分析的信息(?)方法,并提出了基于SVD的信息(?)特征提取方法。通过桁架结构螺栓松动与否的结构响应试验,验证了信息(?)分析方法在结构损伤识别中的可行性。然后将基于SVD的信息(?)特征提取方法用于轴承性能退化评估,内圈与滚动体的性能退化试验研究结果表明,所提出的特征提取方法可以获得比现有方法更好的评估结果。(2)提出了基于多评价指标的性能退化特征选取方法。针对缺乏性能退化特征评价选取的问题,本论文提出了相关性、单调性、预测性以及鲁棒性等4个指标来研究性能退化特征的评价选取,可减少当前人为观察的工作量以及其它不确定性。通过滚动轴承的性能退化试验数据,对单个轴承的性能退化特征进行了评价选取,初步验证了所提指标的有效性。进而将这些指标用于航空发动机性能退化仿真数据的研究,对相关传感器信号特征进行了系统性的评价,优选出能更好刻画相同失效模式下所有个体性能退化的特征。(3)提出了运行时间归一化的函数主元分析(Functional Principal Component Analysis, FPCA)性能退化建模方法。针对当前性能退化建模大多为参数化建模的问题,本论文研究了基于FPCA方法的自适应性能退化建模方法。为使各个个体的性能退化数据更为均匀分布在相同观察区间,减小FPCA模型参数估计误差,提出在建模前对运行时间进行归一化处理。通过航空发动机性能退化的仿真数据,对基于FPCA的性能退化建模方法进行了验证。此外,还将所提的方法进一步用于直流散热风扇性能退化试验数据的处理,实现了对复杂性能退化轨迹的自适应建模,也进一步验证了建模前对运行时间进行归一化的必要性。(4)提出了基于FPCA的相似性剩余寿命预测方法。通过相似性方法进行剩余寿命预测时,重点在于性能退化轨迹的抽象建模以及用于相似性比较时性能退化轨迹时间范围的确定,当前的相关研究还不够完善。为此,在FPCA性能退化建模基础上,提出了一种新的相似性剩余寿命预测方法。所提方法通过FPCA将性能退化轨迹建模为函数型数据,进而可直接根据测试个体的整个性能退化轨迹自适应生成相同长度的参考性能退化轨迹,避免了相似性比较时性能退化轨迹时间范围的确定问题。通过航空发动机仿真数据与直流散热风扇的性能退化试验数据,验证了所提方法的有效性。研究结果表明,所提方法可以得到较可靠、准确的剩余寿命预测,而且随着测试个体状态监测数据的积累,剩余寿命的预测误差不断减小。