复杂装备的核心部件作为装备关键基础件,对装备运行的安全性和可靠性有着非常重要的影响。有效预测复杂装备核心部件的剩余使用寿命(Remain Useful Life,RUL),并根据预测结果对核心部件进行提前维护和更换,能够降低复杂装备故障发生的几率,实现降本增效。近年来,基于数据驱动的装备RUL预测方法引起了研究学者的广泛关注,提取能够反映装备性能退化状态的特征是RUL预测的关键。因此,本文基于原始运行工况数据,考虑核心部件机理,提取了多域退化特征来反映核心部件的性能退化状态,在此基础上,研究了复杂装备核心部件的RUL预测方法,并应用于液压成形装备的智能运维服务系统中,从而保障装备的长时间高可靠运行。本文的主要研究工作和成果如下:首先,提取了能够反映复杂装备核心部件性能状态的多域退化特征。在对原始运行工况数据的进行预处理基础上,考虑部件机理,提取了包含多时域特征指标和混频域特征指标的多域退化特征。为了消除特征间冗余信息的干扰,进行了唯一值特征、共线特征、零重要度特征和低重要度特征选择。为了获得能够反映核心部件性能退化状态的特征,本文采用核主成分分析(KPCA)进行了特征融合。其次,研究了复杂装备核心部件的RUL预测方法。首先运用支持向量回归(SVR)与最小二乘支持向量回归(LSSVR)模型进行部件RUL预测。研究发现,LSSVR模型整体预测性能优于SVR模型。为了提高部件的RUL预测精度,本文提出了基于Bagging模型融合的装备核心部件RUL预测方法,以SVR模型和LSSVR模型作为个体学习器。通过与单一模型对比分析,发现基于Bagging模型融合的RUL预测方法的预测误差更小,能更有效地反映实际情况。最后,基于本文研究的算法,在Spring Cloud架构基础上,设计和开发了一套面向液压成形装备的运维服务系统,包括运维管控平台、装备用户移动端和维修人员移动端。本系统支持装备状态监测、健康分析、寿命预测与事故风险预警等,实现了运维服务全流程的智能化与数字化。