随着制造产业的快速发展使得工业设备的复杂程度与精密程度日益提高,人们对于设备的可靠性要求越来越高。为了提升工业设备的安全性与可靠性,降低由设备的突然失效带来的经济损失与人员安全问题,工业界和学术界都对设备可靠性领域做了大量的研究,其中剩余使用寿命预测是其中研究的一个重点。设备在实际生产环境中由于不可预计的冲击,日常磨损和腐蚀等的各种原因,导致设备的性能与健康状况产生退化。剩余使用寿命预测通过各种方法分析设备的退化数据,建立设备的退化模型,对设备的退化过程进行定量的分析,以此对正在运行的工业设备的剩余工作时长进行预测。根据预测结果确定设备检查与维修的最佳时机,制定设备的备件管理与替换策略,实现经济效益最大化的同时并保证工作人员的生命安全。本文采用深度学习技术与剩余使用寿命预测相结合,通过采集到的可以反映出设备退化过程的数据,利用深度学习强大的非线性拟合作用,解决时间序列退化过程场景下剩余使用寿命的预测问题。本文的主要工作包括以下几点:首先,针对剩余使用寿命在单一深度学习网络下预测效果亟待提升的情况下,将多尺度卷积神经网络与双向长短期记忆网络进行有效融合,设计的融合网络拥有更强的特征提取能力,通过实验验证了其剩余使用寿命预测的准确度更高,效果更好。其次,研究了在时间序列退化过程场景下的剩余使用寿命预测问题,针对设备退化数据稀少,采集时间周期长和成本高昂的问题,提出了一种基于循环一致性对抗生成网络的剩余使用寿命预测方法,经过实验论证,该方法面对退化数据稀少的场景下剩余使用寿命预测任务有着更好的预测准确度。最后,总结了以上研究的不足之处,并对今后该方向上后续的研究进行展望。