本文主要阐述基于机器学习的设备剩余寿命预测方法，根据机器学习模型结构的深度，将其分为 基于浅层机器学习的方法 和 基于深度学习 的方法，同时梳理了每类方法的发展分支与研究现状，并且总结了相应的优势和缺点，最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。

预测与健康管理(PHM)主要包括:剩余寿命(RUL)和健康管理。RUL通常用于描述当前时刻与失效时刻之间的时间间隔， RUL定义 为T-t|T>t ,其中,T表示设备的失效时刻，t表示当前时刻。 实现RUL的主要思想 在于根据设备的失效机理、状态监测数据以及失效数据等有效信息，确定出RUL的分布或期望。

基于神经网络的寿命预测方法旨在以原始测量数据或基于原始测量数据所提取的特征作为神经网络的输入,通过一定的训练算法不断调整网络的结构和参数,利用优化后的网络在线预测设备的剩余寿命，预测过程中无需任何先验信息，完全基于监测数据得到的预测结果。当前基于神经网络的方法主要包含基于 MLP神经网络的方法 、 基于RBF神经网络的方法 以及 ELMs的方法 。

基于SVM的剩余寿命预测方法研究主要思路是利用实际工程中获得的状态监测数据训练支持向量机模型，确定出模型参数(不敏感系数、惩罚因子、核函数参数等),基于训练后的SVM模型对系统未来的状态进行预测，通过与预先设定的失效阈值对比得到设备的剩余寿命。

基于 DNN 的方法，基于 DBN 的方法，基于 CNN 的方法以及基于**RNN(LSTM)**的方法。

• 多种失效模式下设备剩余寿命预测研究
• 考虑相互影响的多部件设备剩余寿命预测研究
• 智能化特征提取与剩余寿命预测研究
• ML与传统统计数据驱动方法相结合的研究
  以神经网络与深度学习为代表的ML能够提取出监测数据中所蕴含的有效信息，刻画出特征信息与剩余寿命之间的非线性关系，在剩余寿命预测领域具有一定的普适性，但无法得到剩余寿命的解析概率分布，难以应用于维修策略的安排和制定；以Wiener过程与Gamma过程为代表的传统统计数据驱动方法可根据退化轨迹估计出退化模型参数，推导出剩余寿命的解析概率分布，但剩余寿命预测精度受到所选退化模型的影响较大。因而在后续研究中，需要考虑如何融合两类方法的优势。

主要对基于ML 的设备剩余寿命预测方法进行系统的综述和总结。根据ML 模型结构的深度，将其分为基于浅层ML 的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状，并且总结了相应的优势和缺点，最后探讨了基于ML 的剩余寿命预测方法的未来研究方向。