在“智能制造2025”的大背景下,如何用信息技术解决传统制造业中的痛点问题成为了当前的研究焦点。工业界和信息领域为解决设备故障与维修这一痛点,提出了故障预测与健康管理(PHM),其关键技术是基于机器学习进行故障诊断与预测。本文对人工智能在故障诊断与预测中应用的关键技术进行研究,提出了基于深度学习的端到端故障诊断与预测模型及数据集不平衡问题的改进方法,主要工作如下:第一,设备故障数据集维度高专业性强的特点决定了特征工程在本任务中的重要性。本文通过研究该领域的已有方法,利用卷积神经网络(CNN)在空间特征提取上的优势,构建了基于CNN的故障诊断与预测模型,实现自动的特征提取,并通过对比实验验证了 CNN在设备故障数据特征提取工作中的有效性。第二,根据故障数据集时间序列这一特点,将适用于时序分析的长短期记忆网络(LSTM)与CNN结合,处理CNN部分输出的特征序列,以弥补CNN无法充分提取时间特征的不足。同时根据对时序分析问题中LSTM的研究,选定了能学习上下文信息与深层时间特征的栈式双向LSTM结构,提出了端到端的CNN-StBiLSTM故障诊断与预测模型,并通过具体实验设计了合适的预处理方式,验证了该任务中CNN结合LSTM的有效性、栈式双向LSTM结构的优越性、所提模型相比常用模型的优越性。第三,针对故障数据集类别不平衡这一特点,在所提模型的基础上将图像识别领域中处理不平衡问题的Focal Loss引入到故障诊断与预测任务中,通过实验验证了其相比传统方法的有效性。随后本文创新地提出了基于Focal Loss和随机欠采样的集成学习方法,用随机欠采样代替Focal Loss中的类别权重系数,同时结合套袋法集成学习思想,利用其互补优势进一步提升模型效果,并通过对比实验进一步验证了所提模型及改进方法的优越性。