由于大型机械装备的特殊工况对其健康管理提出了严峻的挑战,如何准确有效地对关键零部件进行剩余寿命预测及再制造性研究已成了企业关注的焦点。本文就大型机械装备再制造领域中面临的两大难题——如何有效预测剩余寿命及评估其可再制造性,对复杂工况下大型构件基于状态监测数据融合的剩余寿命预测算法及其可再制造性系数评价方法进行了系统的研究。首先,本文对常见的剩余寿命预测方法及再制造现状,还有数据融合算法与SVM数学模型进行了研究,通过分析比较,总结提出了适用于大型构件剩余寿命预测的方法,同时也为健康管理诊断PHM做了奠基。然后,选择大型破碎机辊套为试验研究对象,在PRONOSTIA试验平台上进行加速寿命试验,使用传感器采集得到加速度和温度原始数据信息。通过时域、频域及时频域三维特征分析实现特征获取,选取出最能体现设备健康状态的信号特征,并通过预处理手段消除状态特征的奇异值及趋势项,再用小波技术对原始信号实现降噪。其次,构建预测辊套剩余寿命的数学模型。通过最小二乘和D-S数据融合将加速度信号和温度信号整合构建预测SVM预测模型,先利用数据训练集对预测模型进行训练,再通过网格寻优算法及交叉验证优化模型参数,最后利用优化好的SVM模型完成预测。同时将本文方法的预测结果跟仅利用单个数据源进行预测及其他预测方法的剩余寿命预测结果进行对比验证,并且将辊套在不同工况下进行疲劳试验,结果证明本文所提预测方法的可靠性和算法的正确性。最后,本文针对辊套健康管理中的可再制造性问题进行分析,根据机械设备现行评价其可再制造性的标准设计了更适用评价本文讨论对象的可再制造性系数模型,并确定了模型中各个指数的具体算法。该模型从技术、经济及环境三个维度综合评定辊套的可再制造性,形成了一套完整的评价其可再制造性指数的方法,实例结果表明该方法有效可行。