随着工业系统的发展,人们对其稳定性和安全性的要求逐渐提升。为保证长期稳定运行,必须使用故障预测方法对健康状态进行实时监控和预测。工业系统的故障表现在数据上主要是出现不正常的波动,如均值变大或变量协方差出现变化等。基于数据驱动的故障预测方法主要是在故障的早期对这些波动进行识别,并预测其变化趋势,提前确定系统可能出现故障的时间。这种方法的应用可以使操作人员合理的安排维护计划,进而实现视情维护,有效降低故障引起的损失。目前,基于数据驱动的故障预测方法通常包含两类,即故障的早期诊断和剩余使用寿命(Remaining Useful Life,RUL)预测。其中故障的早期诊断主要是在工业系统刚刚表现出故障趋势时发现故障因素。RUL预测用于在确定故障发生之后对故障的演化过程进行预测。本文分别对卡尔曼滤波器和故障重构方法在故障预测领域的应用进行研究。首先,由于现有工业系统如船舶柴油机等往往存在工作环境复杂且工作状态多变的特点,本文提出了 一种增强型间歇性未知输入卡尔曼滤波器(Enhanced Intermittent Unknown Input Kalman Filter,EIIKF)方法,结合了未知输入卡尔曼滤波器(Unknown Input Kalman Filter,UIKF)和间歇性未知输入卡尔曼滤波器(Intermittent Unknown Input Kalman Filter,IIKF),可以根据估计的未知输入项降低建模复杂度并处理工作状态转换引起的监测数据变化。使用改进的序贯概率比检验方法处理残差可以发现初期故障。其次,考虑到出现故障时监测数据的T2和SPE统计量会增大且超出控制限,本文提出基于监控统计量的故障子空间分解方法结合控制限和迭代方法对PCA监测空间中的故障方向进行提取,随后在原始监测空间中对故障相关变量进行选择,可以降低故障演化过程的噪声和计算复杂度。最后,考虑到振动信号不利于直接展现故障特征,本文在时域和频域中提取特征信号,并使用故障重构方法分别根据故障相关性和故障幅值演化过程的鲁棒性对故障方向进行选择。根据获得的故障发生早期数据训练矢量自回归(Vector Autoregression,VAR)模型实现完整故障发生过程的预测,可以获得令人满意的故障预测结果。