可靠性工程技术与寿命预测方法自提出以来,一直受到各界人士广泛关注,同时由于装备愈加趋向精密性和复杂性,可靠性评估已成为设备健康管理中必不可少的一环。而目前研究的重点大多集中在对一类设备的可靠性评估上,对于在役设备的实时可靠性监测相对较少。另外对于一些构型复杂的设备而言——譬如工业机器人谐波减速器机构——其退化过程表现出明显的多个阶段退化特性,而传统的可靠性评估技术难以精确描述该类设备的退化过程,因此针对这一类设备进行可靠性技术和寿命预测方法的研究是极为重要的。本文提出了一种基于高斯过程回归与Gamma过程的多阶段可靠性评估方法。首先根据设备的历史性能指标数据建立多阶段退化模型,然后引入迁移学习技术进行特征提取并建立高斯过程回归预测模型,最后基于该预测值对退化模型的参数进行更新,实现设备的可靠性评估与剩余寿命预测。在搭建了工业机器人谐波减速器的退化试验台后,基于全寿命回转误差数据建立退化模型并根据最大皮尔逊相关系数准则估计模型先验分布的超参数;针对在役谐波减速器的回转误差数据获取困难的问题,提出基于迁移学习的特征提取技术和高斯过程回归的预测建模方法,首先对设备的历史振动数据和在役设备的现场振动数据进行特征提取,然后以最大均值差异最小化为准则,基于半监督迁移成分分析方法将两域特征映射至统一空间当中,从而拉近两域特征的分布距离以解决传统机器学习中数据分布类型不一致的问题。最后采用迁移后的两域特征建立基于高斯过程回归的预测模型,实现从振动特征到回转误差值的精确预测。通过回转误差预测值更新多阶段退化模型的后验分布参数,使其更适用于待评估设备,基于更新后的模型实现对设备可靠性的实时评估和对剩余寿命的预测。谐波减速器退化实例分析结果表明,与偏最小二乘回归、多元线性回归、BP神经网络回归和支持向量机回归方法进行对比,基于迁移后特征和高斯过程回归模型的预测效果更好,同时所建立的多阶段退化模型与单一阶段退化模型相比,能够更加准确地描述谐波减速器的多阶段退化特性,其可靠性评估精度更高。