随着现代重载高速铁路及货车运输装备技术的不断更新与升级,货车运转生命周期越来越短,在运行过程中零部件易发生磨耗、裂纹以及变形等问题。目前铁路货车的检修制度以“计划预防修”为主,正逐渐转向“状态修”模式。而“状态修”模式基于货车里程跟踪、磨耗监测、轴温测量等数据作为支撑,采取多种监测手段对运行中的货车进行全方位的动态监控。而其中车轮作为货车运行的关键零部件,若未及时发现故障,轻则影响货车运行性能,重则造成安全事故。因此,开展重载货车的车轮寿命预测研究成为轨道装备检修领域重点解决的问题。本文提出一种对抗式学习的网络解决实际中标签贫乏的领域自适应问题。对抗区分领域适应网络（ADDA）结合长短时记忆网络（LSTM）进行特征提取,并提出货车车轮剩余使用寿命的整体框架,本文的主要研究内容如下:（1）由于实际应用中模型训练的数据量需求大,采集占用大量精力和财力,提出无监督学习方法,引用LSTM网络进行特征提取,以对抗式区分的方法进行跨域预测。将带有标记的源域数据和未标记的目标域数据作为模型的输入,ADDA网络模型表现出了精准的预测率。同时,在无监督领域自适应方法中,与其它领域自适应结构相比,所提出的LSTM-ADDA在剩余使用寿命预测方面具有优势。（2）在货车实际的运行中,由于上线设备较少,运行时间不长,难以获得货车车轮的大量标签数据,这对剩余使用寿命的研究带来了挑战,因此提出LSTMADDA的网络模型对车轮磨耗数据进行预测。经证明,使用本文提出的广泛适应性领域网络进行寿命预测优于非领域自适应的方法,验证了该方法在车轮的剩余使用寿命预测的跨域能力。（3）基于重载货车车轮剩余使用寿命预测模型的研究,将车轮寿命管理体系系统集成到状态修诊断决策综合判别模型系统中。在货车运行过程中,监测站通过对重载货车轮对的磨耗数据动态上传,输入到车轮寿命预测模块,给出维修预测时间,降低运维成本,增加车轮为铁路货运带来有效增益。