车辆行驶过程中,油压、温度和转速等运行工况的动态变化会导致传动系统中涨圈型密封环的损坏。为了防止传动系统故障的产生造成损失,对涨圈型密封环剩余使用寿命（Remaining Useful Life,RUL）的合理预测是非常必要的。此外,传动系统的变化工况中蕴含了涨圈型密封环的衰退信息,为使用数据驱动方法进行RUL预测奠定了基础。本文利用深度学习的方法捕捉涨圈型密封环蕴含在状态监测数据中的衰退信息,提出了一种针对涨圈型密封环RUL预测的方法,并对涨圈型密封环寿命影响因素进行分析。主要研究内容如下:（1）涨圈型密封环RUL预测算法的设计。为了有效融合状态监测的多维特征信号进行RUL预测,提出了基于注意力机制的时间卷积神经网络与双向门控循环单元相结合的算法。在数据处理的过程中利用随机森林回归算法、经验模态分解的方法完成特征选择与提取,在神经网络训练过程中使用自动网格搜索的方法完成对神经网络中必要参数的选择。使用CMAPSS公开数据集进行了对比验证,提出算法在子数据集上其评价指标RMSE、Score的均值分别为13.93和1089.5。同时子数据集的不同复杂程度说明了该方法的泛化性。（2）开展涨圈型密封环的寿命试验。收集在不同的初始试验条件下涨圈型密封环泄漏量、扭矩、转速、油腔温度和压力的变化信号,通过对信号衰退点进行提取,实现了对涨圈型密封环运行状态两个阶段的划分以及在不同阶段RUL的设置,利用提出的预测方法对涨圈型密封环的试验数据进行了RUL的预测与验证,提出算法在评价指标RMSE、Score上分别为29.06、1093.92;基于Python的图形用户界面库Tkinter开发设计涨圈型密封环RUL预测软件。（3）涨圈型密封环寿命影响因素分析。使用互补集合经验模态分解将涨圈型密封环采集的特征信号进行了分解与重构,从不同的时间尺度分析了特征信号的变化机制。并对产生的信号分量进行相关性分析,深入了解不同成分与涨圈型密封环寿命变化的动态关系。结果表明:涨圈型密封环在运行过程中产生的物理结构变化是造成泄漏量增加的关键,扭矩、油腔温度、压力的观察值与泄漏量观察值的相关性分别为-0.416、0.448、-0.67。为涨圈型密封环生产设计与使用维护提供参考。