柔性材料R2R(Roll to Roll)加工设备是对柔性材料在工位之间进行加工和传递的关键设备。R2R加工技术在柔性薄膜、柔性电子等领域得到了广泛的应用。目前,柔性材料加工设备健康状态的预测通常是在故障识别的基础上进行的,是一种相对被动的维护方式。这种方法不能很好地对R2R设备的全周期健康状态进行有效地划分,对生产企业提高生产设备效益的最大化有不利影响。本论文以柔性材料R2R加工设备为研究对象,针对R2R设备性能随着工作时长增加而下降的问题,提出一种基于深度置网络的加工设备健康预测方法,通过所DBN网络模型对R2R加工设备的辊轴健康状态进行评估。论文从柔性材料R2R加工设备的工作特性分析着手,通过分析企业柔性薄膜的加工工艺,获得影响产品质量的因素,进一步提取影响R2R加工设备健康状态的因素。再通过对辊轴振动信号进行预处理和特征提取,结合深度置信网络对系统健康状态进行预测,以求最大可能地提高设备维护的效率,解决设备过渡维护而造成的成本浪费问题。论文主要内容包括:(1)针对柔性材料R2R加工设备性能衰退关键指标提取问题,对辊轴组进行正常工作状态下的加工工艺分析和各个工步存在的质量影响因素,明确反映状态变化的物理量,利用传感器搭建监测系统对柔性材料R2R加工设备进行数据获取。(2)对辊轴原始振动数据进行降噪与时域特征提取,分析常见时域特征参数的物理意义,通过PCA算法对特征参数矩阵进行降维。将降维后的主成分数据训练DBN神经网络,通过DBN网络对数据进行重构,学习辊轴数据的特征,降维后数据保留了99.99%的数据特征,并将数据压缩到原来的57%。(3)在DBN网络模型实现的基础上,实现R2R设备辊轴的健康状态预测。详细说明了基于DBN神经网络的R2R加工设备性能预测的步骤,引入softmax分类器,利用现场设备对振动信号进行实时特征提取,再将根据辊轴实时信号和DBN网络模型进行健康状态分类预测,分类准确率达到了95.50%。