现代机械装备日趋复杂化、自动化与精密化，其安全运行显得尤为重要，因此机械设备故障诊断与预测方法的研究备受关注，基于振动信号分析的数据驱动类方法得到广泛应用。传统的智能诊断和预测方法依赖于所提取的特征质量，且受先验知识和诊断经验影响较大。近年来深度学习方法的引入为故障诊断及预测提供了新思路和新方法，该文主要研究了基于循环神经网络深度学习的故障诊断和剩余使用寿命预测。
　　首先，针对传统方法难以自适地提取数据中的敏感特征以及没有充分利用故障演变的时间信息问题，提出了基于卷积网络和长短期记忆网络的轴承故障诊断方法。该方法通过构建深度模型实现了从轴承原始信号中自适应地提取鲁棒性特征，并利用长短期记忆网络学习特征中的时间依赖关系，最终通过将时序特征的分析完成了故障分类。该方法克服了传统特征提取方法依赖专家经验和信息利用不完全等问题，实现了故障的高准确度智能诊断。
　　其次，针对剩余寿命预测中所需信号的连续时间特性和传统方法不能学习完整数据信息的问题，该文研究了一种基于深度双向长短期记忆网络的剩余使用寿命预测方法，输入经滑动时间窗口预处理后的数据，通过深度网络实现从数据中抽取高维特征并学习设备退化信息，实现了有效的寿命预测，相较于其他机器学习方法有更好的预测性能。
　　该文提出的方法分别在西储轴承数据集和涡扇发动机数据集上进行了验证，文中对方法的重要参数进行了较为深入的分析，并与常用方法进行了对比，实验结果表明了该文研究方法的有效性。