随着现代企业生产过程中的自动化水平越来越高,制造任务大多数由智能设备完成,这对设备的工作连续性要求越来越高。然而突发的故障停机会影响生产连续性,降低生产效率。因此,智能制造对设备的维护提出了较高的要求。设备的维护经历了从事后维护到预测性维护的发展过程。预测性维护（Predictive Maintenance）是以状态为依据的维修,通过对系统部件进行定期（或连续）的状态监测,判定设备所处的状态,预测设备状态未来的发展趋势,依据设备的状态发展趋势和可能的故障模式,预先制定预测性维护计划。其宗旨在于最大限度地提高现代制造业中所采用系统的可用性。作为工业生产设备的典型代表,工业机器人的应用领域较为广泛。因此,对工业机器人的预测性维护方法进行研究具有重要意义。然而,由于工业机器人的设计复杂,所采用的传感器数量大、功能复杂。面对如此规模以及相对应复杂的传感器数据,本文旨在通过一种基于深度学习的框架来解决这一挑战。本文提出了一个预测性维护系统的模型框架。将所提出的预测算法分别应用于仿真数据集和工业机器人的机械臂故障数据集,研究在所采用的传感器运行数据中,有效地进行故障和剩余寿命的预测以便于对设备进行维护。主要工作内容如下:（1）针对传统故障监测方法需要大量的数据处理时间,且不能更好地提取深层故障特征及更准确地完成故障监测分类的问题,提出了基于随机森林（Random Forest,RF）和时间卷积网络（Temporal Convolutional Network,TCN）的混合预测模型。首先通过RF算法进行特征选择,并且提取重要性特征的滚动平均值和滚动标准差以重构特征变量,将处理后的特征变量输入至TCN以进行故障状态预测性维护,以此来提高故障监测等相关分类问题的性能。结果表明,在C-MAPSS数据集上F1 Score至多提升了10.56%,在工业机器人数据集上至多提升了24.68%。（2）针对剩余寿命的回归问题,提出了一种基于自动编码器（Autoencoder,AE）和长短期记忆网络（Long Short Term Memory,LSTM）的工业机器人剩余寿命预测方法。首先利用随机森林算法筛选出故障的强重要性特征,实现数据特征的降维处理以排除不相关的特征变量,将其作为输入特征数据输送至自动编码器;然后利用自动编码器对降维后的相关重要性特征进行非线性特征的提取,并且重构为新的特征输入变量;其次将重构后的残差进行统计量计算得到平方预测误差（Squared Prediction Error,SPE）,将SPE与原始输入特征变量进行整合以组成新的时间序列,最后将崭新的时间序列数据输入至LSTM以进行设备的剩余寿命预测。结果表明,在C-MAPSS数据集上平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）至多提升了50.56%,在工业机器人数据集上至多提升了9.10%。（3）在理论和算法研究的基础上,利用Lab VIEW开发了预测性维护系统界面,主要实现设备的故障状态判断、剩余使用寿命预测及相关信息查询功能,将预测结果可视化地展示出来,对设备的稳定地可靠运行有着重要的意义。