由于工业技术快速发展,机械设备愈加复杂化和智能化,采集的数据规模也越来越大。机械设备发生故障可能会造成严重经济损失,危害到人民群众的生命健康并对生态环境造成威胁。因此,机械设备的剩余寿命预测研究工作具有重要的意义。传统剩余寿命预测方法需要人工提取特征,设备剩余寿命预测结果的准确性较低。随着计算机技术的快速发展,研究人员将深度学习应用于机械设备剩余寿命预测,提出了基于数据驱动的剩余寿命预测方法。深度学习中的长短期记忆网络（Long Short-Term Memory,LSTM）凭借其提取时序特征信息的优势被广泛应用于自然语言处理和机器翻译等时间序列领域。本文针对剩余寿命预测中存在的时间序列特征提取困难的问题,开展了基于LSTM的机械设备剩余寿命预测研究。通过LSTM网络及其变体实现特征提取,提高了剩余寿命预测结果的准确性。本文具体研究内容包括:（1）基于LSTM Encoder-Decoder的剩余寿命预测研究。设计并实现了一种基于LSTM Encoder-Decoder的剩余寿命预测方法,将采集的机械设备多元时间序列作为输入,通过LSTM Encoder进行编码获得包含状态信息的中间表示,通过LSTM Decoder获得解码后的信息预测剩余寿命。该方法将LSTM和Encoder-Decoder的优势结合,弥补了传统的剩余寿命预测方法人工提取特征以及时序特征信息提取不充分的不足。（2）基于Bi LSTM与注意力机制的剩余寿命预测研究。提出了一种基于Bi LSTM与注意力机制的剩余寿命预测方法,首先利用Bi LSTM提取设备退化特征信息,并利用注意力机制表征特征信息之间的关系,突出关键信息对于剩余寿命预测结果的影响。比较三种不同的注意力机制对剩余寿命预测结果的影响,并在C-MAPSS数据集进行对比实验。实验结果表明,Bi LSTM与注意力机制相结合的方法提高了剩余寿命预测结果的准确性。（3）基于Conv GRU-Attention的剩余寿命预测研究。设计并实现了一种基于Conv GRU-Attention的剩余寿命预测方法,通过Conv GRU提取设备状态的空间局部特征和时序特征信息,更充分地表征设备退化过程;通过注意力机制对特征信息分配不同的权重,并实现了中间网络层特征输出的可视化。在CMAPSS数据集和PHM2012数据集上进行实验,实验结果表明了Conv GRUAttention方法特征提取的有效性。