轴承是一种机械设备上最常用的旋转类零件,当轴承发生故障时,会导致整个机械设备无法正常运行,进而给企业造成难以挽回的损失。如果能够在轴承的运行过程中,准确、及时地预测轴承剩余使用寿命（Remaining Useful Life,R UL）,便能够将预测得到的R UL作为维护依据及时对设备采取维护措施,从而避免对企业的生产和经营造成损失。在所有的轴承类别中,深沟球轴承的市场规模最大,是轴承类别中的典型代表,而基于数据驱动的RUL预测方法的优点是可以根据数据样本的大小灵活建模。因此本文选择深沟球轴承作为研究对象,应用基于数据驱动的RUL预测方法来研究轴承的RUL预测问题。由于轴承的状态数据具有时间序列属性且不同状态数据之间存在较强的关联性,因此本文以卷积神经网络、循环神经网络和注意力机制为切入点研究深沟球轴承的RUL预测问题。搭建了Bi GRU-Attention、TCN-Decoder和改进的Trans fo rm er三个深度学习模型,然后分别应用三个模型对P HM 2012数据集中的轴承RUL进行预测,预测结果显示:三个模型能够有效的预测轴承的RUL,但是相比于当前本领域的最新研究方法,其预测效果仍然不够理想。基于此,本文应用集成学习（Ensemble Learning,EL）方法对三个深度学习模型进行集成,最后,应用PHM2012轴承数据集对集成模型进行实验验证,结果表明:相比于单个模型,集成模型的性能更加稳定、预测误差更小。此外,本文针对RUL预测无法直观反映设备运行状态的问题,提出一种改进的TCN模型对轴承有限区间内的运行状态进行预测,然后将该模型在重新划分的PHM2012数据集上进行验证,结果表明:该方法能够准确地预测出轴承未来一段时间的运行状态。综上所述,本文主要工作有三部分,首先,搭建了三种深度学习模型分别对轴承的RUL进行预测,并在PHM2012数据集上进行了实验验证。其次,针对三个子模型预测效果不够理想的问题,选择加权平均的集成方法对三种模型进行了集成,最后在PHM2012数据集上进行了验证,结果表明:集成模型比单个模型的预测效果更理想。最后,针对RUL预测无法直观反映轴承运行状态的问题,提出一种有限区间内轴承运行状态预测方法,并在重新划分的PHM2012数据集上进行实验验证,结果表明:该方法能够准确、直观地反映轴承在未来一段时间的运行状态。