预测与健康管理(PHM)技术是基于视情维修的新型维修保障方法,包含故障诊断、故障预测和健康管理等诸多内容,能有效降低设备保障费用。数据驱动的PHM技术是当前研究的热点,机器学习方法在其中的应用更是人们关注的焦点。本文采用机器学习方法对故障诊断和剩余使用寿命预测技术进行研究。首先,探讨了关键部件的数据获取和特征提取方法。针对液压作动筒,使用AMESim软件建模仿真的方法获取进口流量和出口流量数据并完成故障注入,分析和使用小波包能量谱方法提取数据特征;针对剩余使用寿命预测,分析了NASA公开的航空发动机数据集,为本文算法的验证奠定了基础。接着,对基于机器学习的故障诊断方法进行研究。分析和使用BP神经网络模型实现液压作动筒的故障诊断,对比了标准梯度下降法和自适应学习率梯度下降法的差异;研究了SVM方法及其参数寻优方法,提出了基于GA-SVM算法的故障诊断方法,并验证了有效性。然后,重点研究了基于相似性的剩余使用寿命预测框架。首先阐述了三个相似性测度函数;针对多源统计数据,提出了基于PCA和BP神经网络的健康因子构建方法,在此基础上,提出了基于多源统计数据的相似性预测方法的实施步骤;进一步使用余弦相似度方法优化参考部件库的构建方法,使待预测部件的剩余使用寿命的估计更加精确;以NASA预测数据集为例,通过三个对比实验验证了相似性预测方法的有效性。最后,搭建算法验证软件平台。采用MATLAB软件的GUIDE工具搭建故障诊断和剩余使用寿命预测算法的可视化验证平台;分析了Qt、MySQL和MATLAB软件信息交互和混合编程的可行性,并将其应用于PHM软件平台的开发。