工业水平的快速发展对工业设备的安全性和可靠性提出了更高的要求。工业设备的剩余使用寿命预测是设备故障预测和健康管理的关键研究内容之一。准确的设备剩余使用寿命预测,可以为设备的维修保养提供有力的依据,有效地预防设备突发故障带来的经济损失和社会危害。在已有研究中,多操作设备的剩余使用寿命预测和带有容量恢复效应的锂离子电池剩余使用寿命预测两个问题的研究尚不完善,本文针对这两个问题进行了深入研究。本文从多操作工业设备的历史传感器数据和操作条件出发,提出了一种基于扩张卷积的多操作设备剩余使用寿命预测模型。该模型提出了一种处理传感器特征的多归一化方法,可以将处于各种不同分布的传感器数据特征转换到相同分布,同时引入embedding向量对设备操作条件进行特征提取,并提出了一种利用扩张卷积模型处理工业时序序列的模型,实现了传感器数据到设备剩余使用寿命之间的直接映射。最终在涡轮发动机数据集和铣刀数据集上的实验结果表明本文提出的模型预测准确度优于已有模型,并且具有良好的拓展性与适应性。针对具有容量恢复效应的锂离子电池剩余使用寿命预测,本文提出了一种基于 Wasserstein generative adversarial network(GAN)的锂电池剩余使用寿命预测模型融合方法。该算法利用人工神经网络模型建立锂电池的历史电池容量、充放电搁置时间与预测电池容量之间的映射,使用经验公式退化模型保证预测电池容量正确的衰退趋势,利用Wasserstein GAN模型中的鉴别器和softmax层进行模型结果融合时的权重计算。本文提出的融合方法通过吸收各类模型的优点,实现最终的锂离子电池的剩余使用寿命预测。最后通过在锂电池公开数据集上的实验结果表明本文提出的寿命预测模型融合方法的预测结果更加准确,并且可以更好的拟合实际的电池容量退化曲线。