齿轮作为机械设备中最常见的机械零部件,起着传递转矩和传递运动的作用,由于其传动精度高、传递功率大、结构紧凑等优点,齿轮广泛应用在生产生活以及国防军事领域。齿轮箱是机械设备传递运动和动力的基本部件之一,其工作状态关系到整个机械设备的运行。在齿轮箱的零部件中,齿轮相比于轴、轴承、壳体等其它零部件的失效概率更高。其中,疲劳点蚀是齿轮最常见的失效形式之一,其恶化后易造成断齿,进而导致设备损坏、经济损失甚至人员伤亡。因此,有必要利用齿轮点蚀失效数据开展齿轮剩余寿命的预测研究,该研究有利于维护人员了解设备状态、及时检修设备避免重大事故的发生。目前,基于数字驱动的齿轮剩余寿命预测主要是根据齿轮的振动信号,提取趋势特征构建真实健康指标,然后利用神经网络递归输出预测健康指标,根据失效距离预测剩余使用寿命。但现有方法的长期趋势学习能力有限,不能有效的实现长期预测的目的,并且预测模型训练时间长。因此,本文开展了以齿轮剩余寿命为主要内容的长期预测和快速短期预测方法研究,将层级结构、元学习和误差修正方法结合至两种预测模型中,并设计开发了一款齿轮失效寿命预测软件。首先,针对目前长期预测能力不足的问题,提出了基于有序神经元长短时记忆（ON-LSTM）网络的剩余寿命预测方法。研究发现ON-LSTM网络可以通过自动划分层级结构,充分利用神经元间的序列信息。该网络可以学习时间序列数据中包含的长期信息,更适合对时间序列的数据进行预测。对比发现频率中心这一特征可作为齿轮健康指标,然后利用训练后的ON-LSTM网络对健康指标递归输出,实现对齿轮剩余寿命的预测。在短期预测实验中,ON-LSTM较LSTM、GRU、DLSTM和DNN预测模型的得分最优;在长期预测实验中,ON-LSTM成功完成23次预测任务,而LSTM仅完成5次。实验结果表明,该方法和其他方法相比在短期和长期预测方面具有更好的准确率和鲁棒性。接下来,针对目前小样本预测模型从头训练带来的训练时间长的问题,提出一种基于元学习和多步误差修正的齿轮剩余寿命预测方法。研究发现与模型无关的元学习（MAML）可以通过先验知识的学习,为预测模型训练一组泛化性能好的初始化参数,在保证一定准确率的情况下,基于历史数据继续更新参数,大大减少了训练时间。为了进一步提高模型预测准确性,在不增加训练时间的情况下,基于模仿学习理论,提出一种误差修正方法,来减少递归预测中累积的误差。实验结果表明,与其他方法相比,MAML与误差修正的方法具有训练时间短、准确率较高的优势。最后,结合本文提出的两种剩余寿命预测方法,初步设计开发了齿轮失效剩余寿命系统,该系统带有信息管理、信号分析、寿命预测等功能模块。用实验数据进行模拟,对齿轮进行剩余寿命预测,验证了系统的有效性。