随着“工业4.0时代”和“智能制造时代”的到来,机械传动装备系统在航空航天、船舶和高端制造业等领域发挥着越来越重要的作用,因此装备系统及其某些关键部件的可靠性被视为设备健康管理的重要关注点之一。剩余寿命预测与维修方式决策是设备健康管理极其重要的两个方面,同时也是提升设备可靠性的重要手段。通过运用科学的预测方法提升寿命预测精度,再以预测结果为基础,选择合适的维修策略是提升设备系统及其关键部件可靠度的一种非常有效的途径。本文从预测算法研究与改进和维修策略决策两个方面入手,通过运用一定的数据挖掘方法和智能机器学习算法来提升寿命预测精度和预测效率,然后再建立考虑可靠度的维修成本模型来选择、决策最优的维修方式和维修时间,旨在提升关键部件的可靠度和健康管理维护的经济性,具有重要的学术研究价值和现实意义。论文主要研究内容如下:(1)阐述分析了剩余寿命预测技术的研究现状、存在的主要问题和当前国内外研究热点及难点,概述了维修决策的理论体系、主要影响因素和未来研究的主流趋势,进而总结提出本文拟研究的问题、目标和意义。(2)针对实时在线剩余寿命预测往往面对的是机械设备大规模的健康状态数据问题,提出了融合增量LHD采样算法的GA-SVR机械关键部件剩余寿命预测模型,并引入二次指数平滑法对性能衰退指标集进行了输入前预处理来提升模型的预测精度和泛化性能,在验证分析时改进增量GA-SVR预测模型在预测精度和预测效率方面表现出了明显的优势,与标准SVR模型相比,预测误差下降44.89%,预测时间缩短39.87%。(3)构建了以关键部件生命周期内单位时间维修成本最小化为目标,面向零非计划停机的维修策略决策优化模型,该模型考虑了失效概率随服役时间变化和预先维修累积损伤对维修成本的影响,并引入了维修时间阈值的概念。该模型最终能给出最优的维修方式和维修时间点,并通过算例验证了该模型的有效性和可行性。