机械设备的剩余寿命的预测是视情维修中一项重要任务,通过提前预测机械设备的退化情况及剩余寿命既能有效避免失效事故的发生,也能通过主动维修解决维修浪费的问题。虽然深度学习模型在飞速发展,但对于机械设备剩余寿命预测领域来说,发展空间仍然存在且较大。本文针对现有的预测模型具有局限性,不同机械设备数据维度的复杂性和多样性等问题,从多维和单维两个方面,以涡轮发动机和轴承为研究对象来研究机械设备剩余寿命预测问题,主要包括以下工作内容:（1）针对多维监测数据,本文以涡扇发动机作为研究对象,在分析其工作原理及退化原因的基础上,引入Transformer作为预测涡扇发动机剩余寿命的模型。该模型能有效解决序列向量之间距离过大而导致记忆力退化问题,同时自注意力机制能够增强网络的特征选择能力。为了使Transformer模型充分应用于机械设备剩余寿命预测问题,本文设计了一种基于RP-Trans的方法用于剩余寿命预测。首先,采用Prob Sparse自注意力机制和旋转位置编码来增强序列位置关联性,并解决因多头自注意力机制所导致复杂度高的问题。接着,本文设计了一种改进的自我注意提取操作,使用Dilated-SKConv卷积来连接自注意模块,从而使模型获得指数增长的感受野,且有利于模型接收较长的输入数据。提议的方法在涡扇发动机的案例研究中得到验证。实验结果表明,本文所提出的方法优于同类最新现有方法。（2）针对单维监测数据,由于轴承是机械设备中最为重要的部位,因此本文选择机械设备中的轴承为研究对象,分析了轴承的结构及退化原理,并在此基础上设计了CNN-Trans模型,利用CNN网络训练原始数据振动信号,构建轴承的健康指标,再将健康指标输入到改进的Transformer预测模型中,从而实现轴承的剩余寿命的预测。实验表明,本文所提CNN-Trans模型利用CNN强大的特征获取能力来构建阶段退化健康因子,结合改进Transformer的多级特征融合,充分学习振动数据的全局和局部特征,有效提高滚动轴承的剩余寿命预测精度。综上,本文针对不同维度数据的机械设备,利用深度学习对剩余寿命预测问题进行了一定的探索与研究,提出了两个基于深度学习的预测模型并进行验证,与其他方法相比效果良好,具有一定的借鉴意义。