● 摘要
性能退化数据的缺失是加速退化试验和故障预诊断与健康管理中常见的问题。数据缺失给性能退化数据的处理带来了困难，对故障预测或寿命预测也会产生影响，一些传统的性能退化数据处理方法甚至无法对有缺失数据的数据进行统计分析。所以如何针对性能退化数据的缺失采取有效的措施成为了一个亟待解决的问题。
本文研究了性能退化数据的缺失值插补法。缺失值插补法对退化数据缺失的部分进行插补，形成完整的数据，为后续的数据处理提供完整的数据输入，避免了数据资源的浪费。本文具体完成工作如下：
首先，本文研究了性能退化数据的缺失机制与缺失模式，为后续缺失值插补方法研究做好铺垫。并将有缺失的退化数据用于寿命预测中，分析了性能退化数据缺失的影响。其次，本文针对等测量间距退化数据研究了五种缺失值插补方法，包括均值插补法、回归插补法、EM（Expectation Maximization）算法、基于回归分析与RBF（Radial Basis Function）神经网络的插补方法和基于支持向量机与RBF 神经网络的插补方法。其中的工作包括：将随机项引入均值插补，改进了均值插补不考虑插补不确定性的缺点；使用布朗运动作为随机项，改进了传统回归插补，使其插补数据更接近真实；提出了EM 算法应用时的数据转化与数据正态性检验问题，使EM 算法适用于性能退化数据；将RBF神经网络应用于性能退化数据的缺失残差序列估计中，并结合趋势项回归建模完成缺失数据估计；使用支持向量机建立性能退化数据的退化趋势模型，并结合RBF 神经网络残差序列估计进行退化数据的缺失插补；在不同缺失率下对比分析了这五种插补方法的插补效果。
然后，本文将非等测量间距的退化数据视为缺失数据，对其插补点的确定方法进行了研究，给出了回归插补法、基于回归分析与RBF 神经网络的插补方法和基于支持向量机与RBF 神经网络的插补方法在处理对非等测量间距退化数据时的使用方法，并对比分析了这三种方法的插补效果。
最后，将性能退化数据的缺失处理方法应用于超辐射发光二极管的加速退化试验数据的插补处理中，验证了其有效性。