智能故障诊断与预测性维护技术是推动我国制造业向数字化、网络化、智能化方向发展的关键切入点和实现"弯道超车"的创新动力.得益于人工智能和机器学习技术的快速发展,智能故障诊断与寿命预测方法在航空航天、石油化工、船舶等领域得到了广泛的研究与应用.然而,传统智能方法为实现机械装备的初始异常检测、故障诊断与寿命预测等多种任务时,均需逐一地训练检测、诊断与预测多个模型,不仅增加了设备开发、部署与维护的成本,也极大地限制了智能方法的实用性.为解决上述局限性,基于多任务学习,提出一种用于机械装备智能诊断（初始异常检测和故障诊断）与智能寿命预测等多种任务的健康监测方法.首先,利用JS散度（Jensen-Shannon divergence）和相关分析实现设备初始异常检测;其次,结合多任务学习（Multi-task learning）的知识共享机制建立可同时实现故障诊断与寿命预测的智能模型,仅需训练和部署一个模型即可同时获得设备的故障信息与剩余使用寿命信息;最后,利用轴承全寿命加速退化实验数据,通过与领域内先进方法对比,验证了所提方法在初始异常检测、故障诊断与寿命预测等多种任务的有效性和可靠性,为工业设备的智能诊断与预测性维护提供重要的决策依据,具有较强的工程应用价值.