针对现有研究利用先进的深度网络进行剩余寿命预测时主要为预测生成点估计,而缺乏预测不确定性量化通常很困难的问题。本文利用深度学习方法在处理海量数据和不确定性表示中的随机方法的优势,开发一种针对海量数据和预测不确定性的自适应预测方法。为此,首先利用连续深度信念网络(CDBN)提取海量信息背后的深层隐藏特征,然后根据提取的特征通过自组织映射(SOM)神经网络确定健康指数。接下来,应用扩散过程构建健康指数演化模型。通过结合贝叶斯方法和期望最大化(EM)算法在线估计扩散过程中的参数。因此,剩余寿命预测的概率密度函数可以获得并自适应地更新。