齿轮是机械设备中最关键的部件之一,广泛应用于各种机电系统中。在复杂的工作条件和恶劣的环境下,齿轮的故障都会导致工业设备出现精度损失、生产率下降、停机检修时间增加甚至安全隐患上升等状况。因此对齿轮进行有效且准确的磨损状态识别以及寿命预测是十分必要的,可以实时掌握设备的运行状态,在发生故障之前,及时更换老化的齿轮,降低故障的发生率,避免重大安全事故的发生,实现预测性维护。在实际工况条件下,其他监测信号（如振动信号）易受环境因素的影响,噪声等因素都会影响其监测效果。而润滑油作为设备的血液,包含大量的磨损信息,且近年来油液分析技术的快速发展,尤其是油液在线监测手段的不断完善,使得依靠油液数据实现齿轮的实时状态监测成为了可能。深度学习技术有着强大的特征提取以及非线性数据建模能力,可以很好地提取油液数据中隐含的磨损信息,因此将油液在线监测技术与深度学习技术相结合,进行齿轮的磨损状态识别以及寿命预测研究工作。主要研究内容如下:首先,开展齿轮全寿命疲劳加速磨损试验,利用油液离线检测技术（理化分析技术、颗粒计数技术、PQ分析技术以及铁谱技术）对试验过程中采集的油样进行分析,同时使用油液在线传感器（电磁磨粒传感器、润滑油磨粒分析仪）实时采集油液数据,经对比分析,发现油液离线数据与在线数据随着设备的运行,变化趋势有着很强的一致性,验证了油液在线数据的可靠性,并依据油液数据将齿轮的磨损状态分为三个阶段:磨损初期、磨损中期和磨损后期。其次,使用卷积神经网络（CNN）模型对润滑油磨粒分析仪采集的在线铁谱图片进行分类识别,并通过数据增强方法优化小样本数据集的训练效果,对比分析了输入图片尺寸以及卷积核大小对于CNN训练效果的影响,最终使用CNN识别齿轮磨损状态的精度可达到92.57%。最后,将电磁磨粒传感器采集铁磁磨粒总量作为输入,通过门控双注意单元（GDAU）模型,对齿轮的剩余使用寿命进行预测,对GDAU短期以及长期的预测能力进行验证,并与其他寿命预测模型（LSTM\GRU）的预测能力进行对比,实验结果表明,GDAU有着良好的短期以及长期预测能力,相较于其他模型有着更快的收敛速度以及更高的预测精度。