众多高可靠、长寿命的退化产品,反映其工作状态的主要性能指标通常具有退化趋势,借助性能指标的退化规律可以有效评估与预测产品的可靠性。本文假设在某些退化过程中有一变点,退化模型是由两阶段组成的,分别是变点之前的未退化阶段与变点之后的线性退化阶段。本文的工作便是基于数据驱动的方法,为每一个退化产品预测变点的位置、估计退化模型的斜率,再根据每个退化产品的退化模型预测各自的剩余寿命（Remaining Useful Life,RUL）。变点是退化结构发生改变的关键事件,许多研究证明了假设退化过程中存在变点可以提升退化产品RUL的预测精度。但现有的研究依然有一些缺点或难点,具体体现在以下三方面:1、严格来说,每个退化产品的变点位置是各不相同的,但在实际中往往对所有的退化产品假设相同的变点位置,由此导致了对退化过程不准确的描述;2、使用神经网络为退化过程建模时,大多数研究仅考虑了退化数据的空间相关性或者时间相关性;3、对于退化产品的变点检测,传统的基于统计学的方法往往存在指定先验分布或者选取核的困难。为了提升对退化过程描述的准确性,增加退化产品RUL的预测精度,本文提出了以下三个方法来解决或者缓解上述缺点或难点带来的不良影响:1、使用了一种基于变点检测的退化模型,该模型中每个退化产品有符合自身退化规律的变点,在实验中证明该模型能够更好的描述退化过程;2、使用基于数据驱动的有监督学习,在无先验设定的情况下通过神经网络预测变点位置与退化模型斜率,避免指定先验分布或者选取核的困难;3、使用了一个更快更准确的神经网络架构Compact-LSTM,它先利用卷积神经网络对空间相关性进行建模,再利用带有注意力机制的双向长短时记忆网络对时间相关性进行建模,有效的增加了模型的准确性。本文在基准数据集C-MAPSS数据集进行实验,使用时间窗嵌入式滚动截取时序数据作为输入,接着通过基于回归损失与幅度损失的神经网络来学习变点位置与退化模型的斜率,最后基于退化模型计算出退化产品的RUL。实验结果表明使用基于变点检测的退化模型、同时考虑退化数据的空间相关性与时间相关性、使用改进了标准深度可分离卷积的Compact Block以及使用多尺度特征均能有效提升RUL的预测精度。最后利用测试集与各个文献的预测结果进行比较,本文的方法在多个数据集上取得了最好的效果。