预测性维护（Predictive Maintenance,Pd M）技术在航空航天、轨道交通、机械装备等领域应用广泛,是实现工业现代化的关键技术之一。在“中国制造2025”和“工业4.0”的战略背景下,工业设备正日趋复杂化,工作环境也日渐恶劣。Pd M技术依据设备或系统的传感器监测数据,对其剩余使用寿命（Remaining Useful Life,RUL）进行预测,从而提前采取维护措施,保障运行安全。嵌入式设备因其体积小、可靠性高等优势被广泛应用于工业控制中。将Pd M技术部署在嵌入式设备上,能够有效减轻云端负担和数据传输压力,减少维护成本。因此,研究预测性维护技术及其嵌入式实现方法,对工业领域具有重要的意义。深度学习方法拥有强大的特征提取与数据拟合能力,目前的Pd M技术一般使用深度学习模型来建立传感器数据与RUL的映射关系。基于深度学习的RUL预测方法对计算资源、存储空间等需求较高。要在计算资源较少、存储空间较小的嵌入式环境中实现模型的部署,需要在保持预测精度的前提下,尽可能简化模型结构,压缩模型大小。基于此,为了以更高的实时性和更低的成本完成预测性维护任务,本文研究了用于RUL预测的深度学习模型,针对模型的特点提出了两种压缩方法,并成功将压缩后的模型部署到嵌入式设备中,具体开展了以下工作:1.提出了一种基于多层循环神经网络的RUL预测方法,该方法通过并联多层GRU结构,来提取监测数据中的时间序列特征,以有监督的训练方式得到序列数据与RUL的映射关系。针对该模型长期记忆能力不足的问题,将注意力机制与多层GRU模型相结合,使用注意力机制来权衡不同数据的重要性程度,并以此分配相应的权重。使用NASA故障预测研究中心的C-MAPSS数据集进行了实验验证。实验首先基于信息熵理论选出特征参数;然后,使用窗口滑动法将归一化后的数据构造为时序数据;最后,依据评判标准制定模型训练方法。与其他方法的对比实验结果表明,多层GRU模型对RUL具有较高的预测精度,并且在模型大小上更有优越性。2.从模型剪枝和参数量化两方面研究了模型压缩优化方法。一方面,基于上述模型中权重参数分布的冗余特性,提出了一种改进的分类阈值剪枝方法,针对模型各层不同的重要性程度,分别进行自适应的动态参数裁剪,并通过重训练来恢复模型精度。另一方面,研究了一种动态量化方法,根据模型运算中不同数据的分布范围,分别对其制定相应的量化方案,使用更节省空间的16bit和8bit定点数代替原模型中32bit的浮点数。通过实验验证了两种压缩方法的有效性。3.完成了多层GRU模型在嵌入式设备中的部署。首先,基于提出的剪枝和量化方法对模型进行压缩,相较于压缩前,压缩后的模型参数缩小了约23倍。然后,使用C语言搭建压缩后的模型,并将其迁移到微控制器LPC1768上。最后,在C-MAPSS数据集上对其进行验证。实验结果表明,本文的方法能够在维持RMSE和Score两个精度指标处于较高水平的情况下,使用少量的存储空间,在资源受限的嵌入式设备上实现较高精度的RUL预测,完成预测性维护任务。