起动机是航空发动机的重要附件,在工作过程中,传递扭拒并驱动发动机由静止加速达到慢车状态。起动机正常工作与否直接关系到发动机的使用效能,由此可见,起动机的动态特性和工作寿命,对发动机和飞机的可靠性有重大影响,因此针对起动机的剩余寿命预测研究成为一个极具挑战性和理论研究价值的课题。论文主要完成以下四个方面的工作:首先,通过对相关向量机(Relevance Vector Machine,RVM)的原理性分析,得出长周期预测精度差、缺少动态更新的预测物理模型以及模型训练速度慢的三个急需解决的问题,然后详细地在贝叶斯理论的基础上推算出了相关向量机物理模型的演算方式。其次,提出了相关向量机与经验模式分解(Empirical Mode Decomposition,EMD)融合的起动机剩余寿命预测方法(RVM-EMD)。采用EMD技术对非平稳样本数据进行模式分解,通过对分解后的本征模态函数(Intrinsic Mode Functions,IMFs)进行评价选择,然后得到平稳的建模数据。另外,引入减法聚类技术(Subtraction Clustering Method,SCM)对筛选后的IMFs进行聚类分析,提取聚类中心,从而保证融合模型始终保持较好的匹配性能,有效地提高了整个模型的预测精度。然后,提出一套优化后的增量学习相关向量机的模型。优化后的算法不仅能及时利用增量学习技术对RVM框架模型刷新,而且以样本熵(Sample entropy)的手段对最原始的样本数据质量进行一个准确的评估,以便于能够计算出周期更长更加准确的数据。最后,在仿真试验中验证了所提出的RVM-EMD和Optimized-RVM两种对于改进预测模型具有积极意义的算法,并把不同的算法在相对一样的实验条件下进行比较和深入的分析,结果证明了前方所提到的这两种算法均更有效的结论。