随着现代工业水平的不断提高,机械设备日益向大型化、精密化、复杂化方向发展。旋转机械零部件作为最常见的机械设备,是进行连续工业生产的基础。关键的旋转机械零部件如轴承、齿轮、主轴等的性能状态直接或间接地决定着重大机械设备如航空发动机、水力发电机、燃气轮机等能否正常运行。在复杂工况下长期运行的旋转机械零部件会不可避免地发生性能退化,从而导致剩余寿命(Remaining Useful Life,RUL)不断减少,发生故障的可能性逐渐增加。一旦故障发生,轻则造成巨大的经济损失,重则导致人员伤亡,产生严重的社会影响。鉴于旋转机械零部件在各类机械设备中的重要地位,对其剩余寿命的预测方法开展研究,有助于企业从传统的被动维护模式向主动维护模式转型,使得企业能够在故障发生之前,有针对性地制定生产计划和维修策略,对于减少企业的设备使用风险、降低企业的设备维护成本、提高企业的经济效益、促进整体社会经济的发展具有重要意义。传统的基于概率统计模型的剩余寿命预测方法在建模过程中往往缺乏对失效过程系统化的考量,对失效样本的数量有着较高的要求,且难以实现剩余寿命的实时预测。因此,本文从失效系统和性能退化的角度出发,对旋转机械零部件剩余寿命的预测方法开展研究,主要内容如下:(1)根据旋转机械零部件与驱动系统的连接关系,提出一种基于改进指数-威布尔分布的旋转机械零部件剩余寿命预测方法。该方法在可靠性理论的基础上,通过引入关联系数得到一种改进的指数-威布尔分布模型,并利用极大似然估计法确定模型参数。针对失效样本数量较少导致参数估计结果精度不高的问题,该方法采用一种改进的自助法对样本量进行扩充,从而降低了参数估计的误差,提高了最终剩余寿命预测结果的精度。PRONOSTIA轴承数据集的算例表明,该方法能更加全面地描述轴承寿命的统计学特性,并且该方法相较于传统的指数-威布尔模型具有更高的预测精度。(2)在旋转机械零部件从健康状态运行到寿命截止状态的过程中,各种随机的外界因素,如振动、温度和湿度等,都会在不同程度上对寿命截止时间产生影响。而基于概率统计模型的剩余寿命预测方法往往难以全面地表征各种外界因素对旋转机械零部件的耦合作用,并且在建模时需要依赖工程实践经验。针对上述问题,提出一种基于集成堆栈自编码器(Stacked Auto-Encoder,SAE)与退化轨迹相似度的旋转机械零部件剩余寿命预测方法。该方法通过建立多个具有不同初始超参数的SAE,分别从不同的角度来学习机械装备的性能退化特征;考虑机械装备性能退化的特点,引入Cri指标和特征频率对特征进行筛选,并构建集成特征集合;利用自组织映射(SelfOrganizing Mapping,SOM)网络和SAE对退化特征进行融合,生成基于退化阶段的新型健康指标(Health Index/Indicator,HI);最终利用基于退化轨迹相似度的剩余寿命预测方法实现旋转机械零部件剩余寿命的动态预测。轴承数据集剩余寿命预测实例表明:该方法不仅能够自适应地提取深度特征,而且具有较为理想的预测精度。(3)针对不同特征对于退化过程的表征能力存在差异的问题,提出一种基于改进SAE与退化轨迹相似度的旋转机械零部件剩余寿命预测方法。该方法根据不同特征的Cri值,对每个特征在特征融合模型中的重要度进行量化;对不同重要度的特征所对应的输入层神经元的权重添加惩罚系数,完成特征融合模型的训练;结合基于退化轨迹相似度的剩余寿命预测方法实现旋转机械零部件剩余寿命的预测。在轴承剩余寿命预测实例中,该方法充分利用高Cri值特征对退化过程优异的表征能力,更加准确地反映了机械装备的性能退化特性,相比于(2)中的剩余寿命预测方法,该方法的预测精度有了显著的提高。