随着工业信息化时代的来临,人们对生产制造效率的要求越来越高,如何避免因设备发生故障导致的停工停产成为亟待解决的难题。目前工厂和企业普遍采用根据经验定期维护生产设备的方式,而这无疑会增加企业在人工和运营方面的支出,造成资源的浪费。机械设备退化趋势建模和剩余使用寿命(Remaining Useful Life,RUL)估计技术是有效解决这一难题的关键。传统基于物理模型的方法随着机械设备内部结构的日趋复杂愈发难以实现,相比之下随着人工智能的飞速发展和数值计算能力的提高,以及传感器和存储技术的推陈出新,基于数据驱动的机械设备退化趋势建模和估计剩余使用寿命越来越得到重视。基于数据驱动的方法通常利用安装在机械设备上传感器实时传输的数据,对机械设备的退化过程建模,从而实现剩余使用寿命的预测。循环神经网络作为数据驱动方法的一种,通过模拟人脑的思考机制来学习到更高维的抽象特征,并能够保留时间序列中的长期记忆,非常适合于多传感器时间序列退化模型的构建,在工业领域有广阔的发展前景。首先介绍了基于数据驱动的方法是如何解决机械设备退化趋势建模以及剩余使用寿命预测问题。随后概述了工业数据集的数据预处理方法。最后详细说明了如何通过直接预测和间接预测的方法来对机械设备退化趋势建模。随后结合卷积神经网络与独立循环神经网络提出卷积独立循环神经网络模型(Convolutional Independently Recurrent Neural Network,CIndRNN),从传感器数据中抽取高维特征并将重构出的多变量时间序列学到设备退化信息,将其用于飞机涡轮发动机剩余使用寿命的预测,相较于其他机器学习有更高的准确性。接着利用长短时记忆网络(Long Short-Term Memory,LSTM)提出一种新的编解码方式对风机叶片结冰过程进行建模,利用重构误差建立起风机叶片的健康指数(Health Index,HI),有助于把握除冰的时机,延长风机的使用寿命。最后对上述两种方法进行总结,构建起比较完整的设备健康状态监测与剩余使用寿命预测的解决方案。同时也指出两种方法仍然存在的不足和进一步研究的方向。