通过对机械设备退化过程的数据进行采集、分析和建模,来预测实际工况下设备在当前状态的剩余可用寿命,已经成为故障预测与健康管理(Prognostics and Health Management,PHM)领域的研究热点。然而,传统的机器学习剩余寿命预测方法未考虑退化数据之间的分布差异和时序依赖关系,从而限制其预测精度和数值稳定性的提高。鉴于此,本文针对滚动轴承的剩余寿命预测问题,从数据的时序特点和分布特性出发,引入深度学习方法,充分挖掘退化序列的特征表示信息,分别构建基于时序信息表示和基于迁移学习的两类剩余寿命回归预测方法。主要工作和贡献如下:(1)针对滚动轴承在退化过程中的特征表示能力不足的问题,提出一种基于极限学习机自动编码器的深度特征提取方法,并以故障诊断的形式验证该特征的有效性。首先,对获取到的轴承振动信号进行傅里叶变换获取信号的频谱;其次,将不同故障类型的频谱输入多层极限学习机自动编码器进行深度特征提取,并构建基于该深度特征的故障诊断模型。在CWRU轴承数据集上进行实验,结果表明,与现有的多个基于传统特征的故障诊断方法相比,本文所提出的方法在有效提取轴承故障特征的基础上,进一步提高故障诊断效果,为剩余寿命预测建模提供基础。(2)针对滚动轴承在退化过程中时序性信息未充分利用的问题,提出一种基于深度特征表示和长短时记忆网络的轴承剩余寿命预测方法。首先,利用振动信号的希尔伯特-黄变换后的边际谱作为深度模型的输入,训练卷积神经网络模型获得对故障信息表示能力良好的深度特征;其次,提出奇异值相关系数的健康状态评估方法来划分轴承不同的健康状态;最后,利用快速退化期的深度特征和对应的剩余寿命值构建长短时记忆网络作为剩余寿命预测模型,并对目标轴承进行在线的剩余寿命预测。在PHM2012轴承数据集上进行实验,结果表明,将时序信息挖掘与深度特征的表示能力结合,能够有效提高剩余寿命预测的精度和稳定性。(3)针对不同滚动轴承在退化过程中采集的数据分布不一致问题,提出一种基于深度特征表示和迁移学习的轴承剩余寿命预测方法。首先,计算原始振动信号的希尔伯特-黄边际谱作为深度学习模型收缩降噪自编码器的输入,通过模型训练获取深度特征;其次,提出一种采用深度特征和皮尔逊相关系数的轴承退化评估方法划分轴承的健康状态;最后,利用迁移成分分析适配后的快速退化期的深度特征和对应时间点的剩余寿命值构建最小二乘支持向量回归机模型,对目标轴承进行在线剩余寿命预测。在PHM2012轴承全寿命数据集上进行实验。结果表明,本文所提出的轴承剩余寿命预测方法能够在减小数据分布差异的基础上,提高剩余寿命预测模型的准确度和稳定性。本文的研究结果从深度学习及迁移学习的角度,为滚动轴承的剩余寿命预测提供了新的解决方案,具有显著的理论价值与实际工程应用价值。