剩余寿命(Remaining Useful Life,RUL)预测能够实现系统运行状态的评价,以及在此基础上的故障发现、快速维修和视情维护,从而有效地降低系统故障发生概率和维护成本,是实现系统故障预测与健康管理的核心技术。随着传感器、智能仪器和工业物联网技术的发展,数据驱动RUL预测方法在日益丰富的数据资源支撑下得到了迅速发展和充分的研究关注。但是,当RUL预测应用于卫星和无人机等需要长期自主运行的对象系统时,除了基本的数据建模方法研究外,还需要考虑在线持续运行的预测方法体系研究,以克服现有方法研究中比较普遍存在的,依赖人工选取建模感知数据或需要RUL预测方法介入而导致的感知数据在线选取及分析难以自动处理的问题。在此基础上,为了确保数据驱动RUL预测方法的在线持续运行,还需要考虑由于传感器故障、失效或传输线路开路等引起的感知数据异常及相应的处理措施,以形成一种面向现实应用挑战的数据驱动RUL在线预测解决方案。鉴于此,本文选择具有量化表征能力的信息熵测度方法,直接从定量分析感知数据含有的系统退化信息角度出发,消除预测方法与感知数据之间的耦合,为实现感知数据自动处理及在线应用提供方法基础;同时,针对RUL预测输入感知数据开展异常检测和恢复方法研究,在系统工作正常而感知数据异常时,通过数据恢复来降低RUL预测性能的损失,为RUL预测方法在线持续运行提供一种新颖的解决思路。论文主要研究工作包括以下三方面内容:(1)针对数据驱动RUL在线预测需要自动处理感知数据的需求,提出一种基于排列熵的RUL预测方法。该方法利用改进二阶排列熵挖掘各维感知数据含有的系统退化信息,并将其作为定量选取RUL预测建模感知数据的依据,从而满足RUL预测在线运行所需的优化选取输入数据的量化依据。实验结果表明,与基于随机方法、人工观察方法和灰色关联分析方法开展RUL预测相比,该方法具有较高的预测精度和稳定性,同时直接获得感知数据含有的系统退化信息量化分析结果,为RUL预测的在线应用提供了基本前提条件。(2)针对数据驱动RUL在线预测所必须要解决的输入感知数据异常检测问题,提出一种基于互信息的数据异常检测方法。通过定量分析目标检测数据与其它数据间的信息度量,构建与目标检测数据相关性最大的训练数据集,从而提升异常检测方法的性能,以确保能够在系统工作正常状态下,具备及时检测出感知数据自身异常的能力。实验结果表明,利用该方法通过单维与多维建模样本集构建的异常检测模型,均可获得具有较低误检率的异常检测结果。(3)针对数据驱动RUL在线预测异常感知数据的恢复问题,提出一种基于互信息的面向单维感知数据异常的自适应恢复方法。通过对感知数据间关联关系的统计建模,为自适应的异常数据恢复方法提供自变量数据输入,以确保在单参数感知数据异常条件下,实现RUL预测体系在性能损失可接受情况下的在线持续运行。实验结果表明,该方法不仅能获得具有较低相对误差和均方根误差的异常感知数据恢复结果,而且利用恢复的感知数据作为RUL预测输入,能够有效地控制由异常感知数据导致的RUL在线预测性能损失。