科技的进步使得现代制造业所涉及的机械设备和系统的复杂性多年来急剧增加,亟需建立精准的设备维护管理策略,以提高设备的剩余使用寿命预测精度。剩余使用寿命预测是实现设备预测维护策略的关键,随着大数据环境和智能算法的发展,基于数据驱动的方法能越来越支持预测性维修策略的实现。然而,传统的数据驱动预测方法往往从多个候选算法中选择性能最好的算法。但复杂设备的退化过程往往具有多种失效模式并存的特点,所选择的单一候选算法可能会在某个退化阶段表现较差,从而不适用于整体的退化过程。本文面向复杂设备构建了依赖于集成学习的剩余使用寿命预测方法。该方法将设备的退化过程分为多个阶段,结合多种预测方法预测剩余使用寿命。具体来说,首先利用基于聚类的设备健康状态划分方法将退化过程分为几个连续的退化阶段;其次对不同的退化阶段进行单独训练,将多种基学习器加入训练过程,使用k-fold交叉验证的方法估计加权方案所需的预测误差;然后通过最小化训练过程中的预测误差,得到每个基学习器在不同退化阶段的权值,对所有基学习器的预测结果进行加权得到设备的剩余使用寿命;最后以航空发动机的数据集作为算例,其研究结果表明,所提出的集成学习方法训练的预测模型优于不考虑退化过程的集成学习方法及其基学习器。