由于工业设备常常运行在复杂恶劣的工况下,一旦失效宕机,会给整个工业生产过程带来巨大的危险。为了减少设备故障带来的损失并降低维护成本,本文基于设备丰富的状态监测数据,利用机器学习强大的特征提取和非线性映射能力,对设备进行退化状态评估和剩余寿命预测,从而为实现预测性维护提供有利条件。本文在特征层面和策略层面分别进行信息融合,通过特征层面的融合提取出反映设备健康状态的健康指数曲线,在此基础上通过策略层面的信息融合构建出更精确的剩余寿命预测模型,并对预测的不确定性进行量化。对于健康指数提取,本文采用基于重构的深度学习特征融合方法,将状态监测数据通过编码器映射到一维隐空间,再通过解码器进行重构,模型的隐含层变量就作为融合得到的健康指数。考虑到工业设备的状态监测数据是多维的时间序列,各维度的特征之间也存在一定的关联关系,而目前常见的基于重构的方法只是简单地将状态监测数据视作独立的样本点。为此,本文提出空间时序自编码器模型,通过一维卷积层和注意力机制自适应地提取出多维状态观测数据的全局空间特征,并将其输入到门控循环神经网络（GRU）层实现将数据的时序信息融合入模型的隐含层变量。为了减少噪声的影响,同时希望模型在对新的设备进行健康状态评估时能够增量学习当前设备的个体退化特性,本文基于设备的退化是单调的这一先验知识,提出了单调性约束正则化来改进空间时序自编码器,并使用弹性权重巩固技术使得模型具有增量学习的能力。在剩余寿命预测阶段,本质是建立健康指数与剩余寿命之间的映射关系模型。本文使用集成学习的Stacking框架串行融合多个基于机器学习的剩余寿命预测模型,以提升剩余寿命预测的准确率。同时,使用Bootstrap框架,通过有放回的随机重采样建立集成模型,估计出预测误差的方差,实现剩余寿命的区间预测。本文使用CMAPSS航空发动机和PHM2012轴承数据集进行实验验证。航空发动机由多维传感器进行监测。轴承的监测信号是振动信号,可以从中提取出多维状态观测特征。实验结果表明,本文提出的方法在健康指数提取和剩余寿命预测任务中均能取得优异的表现。