随着传感器技术、信息与通信技术及物联网等技术的快速发展,状态监测技术已被广泛应用于各类产品。不同类型的传感器被广泛地部署于产品的各个部位并以极高的采样频率对其退化状态进行实时在线监测,所获得监测数据呈现井喷式的增长,这不可避免地将我们带入了工业大数据时代。在工业大数据背景下,有效地利用海量的监测数据能实现对产品剩余寿命更为准确的估计,有助于产品实现提前报警,从而预防灾难性事故的发生,进一步优化产品的维护策略,最终降低昂贵且非必需的维护费用,同时还能提升产品的可靠性、可用性和安全性。因此,本文将重点研究基于监测大数据的产品剩余寿命预测方法。针对产品群规模大、传感器多、数据采样频率高、动态工况和多失效模式耦合、复杂产品失效物理模型不可获知等诸多挑战,本文研究了基于退化轨迹相似性分析的剩余寿命预测方法,构建了产品动态工况和多失效模式耦合作用下基于深度学习模型的剩余寿命预测方法,再融合粒子滤波技术和深度学习模型提出了混合剩余寿命预测方法,最后在Bootstrap实施框架下提出了更泛化的基于深度卷积神经网络的剩余寿命预测方法。本文主要研究内容及创新成果如下:(1)提出一种改进的基于退化轨迹相似性的产品剩余寿命预测方法。当存在大量相似产品历史监测数据时,传统的基于退化轨迹相似性的方法能精确地预测该类工程背景下产品的剩余寿命,但仅能给出剩余寿命点估计的结果。因此,需对传统的基于退化轨迹相似性的方法进行更加深入的研究以突破仅能对产品剩余寿命进行点估计的应用限制。基于轨迹相似性分析方法和核密度估计技术,同时结合β准则,提出了改进的基于退化轨迹相似性的产品剩余寿命预测方法。(2)提出一种基于深度学习模型的产品剩余寿命预测方法。现代工程系统常常工作在动态工况下且存在多失效模式耦合的情形,传统的基于数据驱动的方法尚不能处理该类情况下复杂产品的剩余寿命预测问题。本文利用深度学习模型中双向长短期记忆神经网络对时间序列数据的建模优势与极强的非线性建模分析能力,构建一种基于深度学习模型的方法,从而能够为复杂产品剩余寿命预测提供一种端对端的解决方案,且能给出比其他方法更为精确的估计结果。(3)提出融合粒子滤波技术和深度学习模型的混合剩余寿命预测方法。当某些特定产品的关键失效模式和失效模型已知时,传统的混合方法能够依据产品的失效物理模型并利用产品的状态监测数据对产品剩余寿命分布进行预测。但传统的混合方法较为繁琐,包含特征提取、选择、降维和退化指标回归分析等步骤。上述步骤的实施不仅需要充分利用领域内的专业知识,并且最终的预测性能较大地依赖于各个步骤的精确性。因此,传统的混合剩余寿命预测方法效率低且稳健性差。本文在粒子滤波的技术框架下,有效地利用双向长短期记忆神经网络和前馈神经网络的复杂结构,提出融合粒子滤波技术和深度学习模型的混合剩余寿命预测方法。(4)提出基于深度卷积神经网络和Bootstrap的剩余寿命预测方法。在工程实践中,当某些复杂产品关键失效模式未知且失效模型难以构建时,基于物理模型和深度学习模型的混合方法不能有效地对其剩余寿命预测区间进行量化。因此,本文在Bootstrap实施框架内提出一种更加泛化的基于深度卷积神经网络的剩余寿命预测方法,该方法能突破混合方法需要建立产品退化模型的限制,进一步拓宽基于深度学习模型的方法在复杂产品剩余寿命预测中的应用范围。