导弹装备具有长期贮存、一次使用的特点，为确保导弹武器随时处于良好的技术状态，每隔一定时间必须对其技术状态进行检测，这就形成了大量历史检测数据。本基金旨在利用导弹武器系统历史检测时间序列数据，研究基于总体最小二乘和非线性模型预测建模技术的一类数据驱动的复杂工程系统故障预测和可靠性评估方法，为确定导弹武器系统的定期检测周期，实现导弹武器装备的预测维修，提供科学的决策依据和技术支撑。研究内容包括总体最小二乘估计、次成分迭代分析、非线性时间序列模型预测建模及数据驱动的基于性能退化的非线性时间序列可靠性评估方法等。课题在基于核向量迭代的MCA、TLS算法研究，迭代学习算法的确定性离散时间系统分析，基于Volterra级数的非线性系统快速建模与预测，基于小波支持向量机和遗传算法优化的退化轨迹建模和剩余寿命预测等方面取得一系列重要理论创新成果：在基于核向量迭代的MCA/TLS算法方面，提出了一种双目地主子空间和次子空间梯度流算法，提出了一种统一的自稳定的主成分和次成分提取算法，并对所提算法以及著名的陈氏主/次成分提取算法的收敛性、稳定性等进行了理论研究、综合分析和仿真实验；在基于Volterra级数的非线性系统快速建模与预测方面，提出了一种基于少参数二阶Volterra级数的仿射投影自适应辨识算法，提出了一种MIMO非线性系统Volterra频域核的非参数辨识方法，提出了一种快速有效确定Volterra级数最高显著阶的方法，提出了采用核主元分析和非线性频谱特征的故障模式判别的新方法（KPCA-MSVM），提出了一种基于灵敏度分析及Volterra级数理论的故障诊断方法；在可靠性评估与预测方法方面，提出了一种基于WSVR和FCM聚类的实时寿命预测方法，提出了一种基于遗传算法优化小波支持向量回归机的实时寿命预测方法，并应用这些方法进行了基于数据驱动的退化轨迹建模和剩余寿命预测实验研究。课题研究成果可为复杂工程系统的故障预测和可靠性评估提供科学的决策依据和技术支撑，具有重要的军事意义和效益；研究涉及的总体最小二乘、非线性模型预测方法，以及建立在这些方法基础上的基于数据驱动的故障预测和可靠性性评估，在数据驱动的控制、诊断、建模等方面具有相当的普遍性，这些技术进步与突破对数据驱动的控制、诊断和建模理论与技术的发展具有促进作用，研究具有重要的科学理论意义和广泛的应用推广价值。