剩余使用寿命(RUL)预测对于保证轴承老化的安全可靠运行具有极其重要的意义。 RUL预测的主要重点是准确预测未来的失效事件,因此如何量化预测的不确定性将是一个主要问题。然而,目前基于深度学习的 RUL 预测方法难以反映 RUL 预测结果的不确定性。为此,本文提出了一种基于深度信念网络(DBN)和扩散过程(DP)的RUL预测模型。所提出的方法由两部分组成:结合 DBN 和局部线性嵌入 (LLE) 的特征提取、基于 DP 的 RUL 预测。第一部分利用DBN提取监控信号背后的深层隐藏特征,然后筛选出倾向性较高的特征作为LLE的输入。能够真实反映轴承健康状况的健康指标是通过LLE进一步确定的。在第二部分中,提出了一个基于DP的健康指数演化模型,并据此推导了预测RUL在首击时间(FHT)意义上的概率密度函数(PDF)。因此,所提出的方法有望提高预测准确性并促进预后不确定性。最后,对轴承退化数据的实验研究和相关的对比分析验证了所提方法的有效性和优越性。