机械设备的运用和发展降低了人工劳动的强度,提高了生产效率和社会经济的发展速度。随着设备服务内容的多样化,服务要求的精准化,机械设备的结构趋于复杂,部件更加精密,呈现高可靠性长寿命的特点。一旦设备出现预期之外的故障也将带来巨大的损失,因此如何提高设备关键部件的退化状态和剩余寿命的精确预测就成为了保障设备安全运行,合理进行维护安排的核心问题。在第四次工业革命的推动下,底层感知技术对机械设备的运行状态进行全面检测,采集并记录了其服役过程中产生的数据,工业大数据平台的广泛建设和使用,提供了大量同类设备运行退化的全寿命周期数据。在机械设备结构和失效机理复杂的情况下,基于大数据环境提供的数据资源,利用数据驱动的方法对机械设备的剩余寿命进行预测能够取得优异效果。在数据驱动的方法中由于相似性剩余寿命预测方法,具有不需建立退化模型,无需设定失效阈值,鲁棒性强等优势,适合在参照样本充足的大数据环境下对机械设备的剩余寿命进行预测。然而,目前的相似性剩余寿命预测方法在相似度计算时考虑因素比较单一,并且该方法对服役样本的历史数据的利用不足。这些不足会影响机械设备剩余寿命的最终预测结果。针对这些不足,本文进行了如下研究。首先,针对传统相似性剩余寿命预测方法在相似性计算时,考虑因素单一的问题,论文从相似度计算方法的角度对机械设备相似性剩余寿命预测方法进行改进。在整体层面用动态时间规整和平移相似度计算相结合的方法进行相似度计算,并在具体计算时引入时间因子改善平移相似度计算方法。通过对相似度计算方法的改善提升了机械设备相似性剩余寿命预测方法预测结果的准确性。其次,研究了机械设备相似性剩余寿命预测方法对早中期设备预测效果不佳和对服役样本历史数据利用不足的问题,提出了基于循环神经网络的改进机械设备相似性剩余寿命预测方法。利用长短时记忆神经网络对机械设备的历史数据进行挖掘,预测出机械设备退化指标的后续变化,然后用预测序列来增加机械设备服役前中期退化指标序列长度,最后利用组合序列来进行相似性剩余寿命预测以提升早中期服役样本剩余寿命预测的准确性。最后,将研究的数据驱动的机械设备相似性剩余寿命预测方法在涡轮风扇发动机的剩余寿命预测案例中进行应用,详细阐述了研究内容的实现过程,并通过结果分析证明所提方法的合理性和有效性。