机械设备作为企业生产运营不可或缺的一部分，它们的健康状态将对企业的经济效益产生巨大的影响，因此，设备维护管理成为了现代企业管理的重要内容。为了克服传统设备维护管理方式不能及时识别故障类型和准确的预测设备的剩余寿命等问题，以PHM（Prognostics and Health Management）为代表的先进设备健康管理技术正成为当前研究热点。本文以滚动轴承为研究对象，提出了一套基于振动数据的设备可预测性维护管理方案。提出的方案主要包括数据采集、信号分析、故障识别和剩余寿命预测四部分。本论文的主要研究工作如下：首先从实验室构建的两套轴承综合试验平台上采集滚动轴承在各种工况下的振动信号，并采用经典的信号时域、频域和时频域技术进行数据预处理，然后将研究重点放在构建故障智能识别模型和剩余寿命预测模型两部分上。　　（1）构建智能故障识别模型。首先提取振动信号时域，频域和时频域特征，按照4组实验方案的要求融合成特征向量，以此作为栈式自编码器，深度玻尔兹曼机和深度信念网络的输入参数，然后对模型的隐藏层数，隐藏层神经元数以及迭代次数进行深入挖掘分析。通过实验仿真，以上3种深度学习模型都能获得高达99%的故障识别率，且在相同最优参数组合下基于栈式自编码的模型与基于深度玻尔兹曼机和深度信念网络模型相比，能获得最高的故障识别率。　　（2）构建剩余寿命预测模型。通过对波形因子、均值、脉冲指标、峭度和能量值等特征指标的比较分析，发现经小波包分解技术提取的振动信号的能量值特征最能表示滚动轴承健康状态的衰退趋势。为了克服 SIR(Sampling importance resampling)粒子滤波器忽略最新观测值对预测性能的影响，本文构建了基于能量值特征训练状态空间模型和辅助粒子滤波算法的滚动轴承的剩余寿命预测模型，并通过平均绝对误差来评估算法性能。实验结果表明，基于辅助粒子滤波算法的预测器比SIR粒子滤波预测器的误差更低，因此验证了提出方法的有效性。　　综上所述，本论文提出的设备预测性维护管理方案能有效的识别设备关键零部件的故障类型和预测其剩余寿命，故可以为企业管理者提供可靠的设备维护管理决策依据。