自动化设备的结构日趋复杂,使得设备故障问题无可避免,采用设备预测维护技术可以实现从计划维修到视情维修的转变,在保证设备安全高效运行的同时还能大大降低设备维护费用。故障诊断和剩余寿命预测是设备预测维护的两个重要步骤。但是原料变化、负载改变等因素会导致系统运行在多模态工况下,从而影响了故障诊断和剩余寿命预测的精确性。没有大型设备精确机理模型的情况下,本文采用深度学习作为特征抽取手段开展数据驱动的设备预测维护关键技术研究。重点解决传统深度学习方法不能更精确地实现多模态故障诊断和剩余寿命预测的难题。论文的主要创新点如下:(1)提出一种分级深层网络(Hierarchical Deep Neural Network,HDNN)构建的思想,首先实现多模态数据的精确模态划分,然后在HDNN的第二层级上针对每个模态分别建立不同的DNN诊断模型实现多模态故障的精确诊断。在HDNN的第三层级上针对不同模态的不同故障分别建立各自的DNN模型实现不同类型故障严重程度的区分,为预测维护提供决策参考。(2)提出一种差分LSTM方法解决缓变故障自相关特征抽取不准确的问题,达到无需做模态划分即可实现多模态早期故障诊断的目的。然后以差分LSTM提取的故障动态演化特征为输入、以训练样本的实际剩余寿命为输出,建立基于神经网络的剩余寿命预测模型,实现早期故障实时诊断和剩余寿命在线预测。