工业智能的一项重要任务是准确预测工业设备的剩余使用寿命（RUl），基于数据驱动方法的RUl预测取得了巨大进展。然而，这些方法在很大程度上依赖于模型的数据表示能力和数据分布的一致性假设。在实际的工业环境中，由于不同的工作条件，工业时间序列数据表现出高维、动态和噪声的特征，这往往导致训练模型从一个环境到类似但未标记的新环境的无效转移。为了解决上述问题，本文首先设计了一个双并行时频特征提取网络，用于提取具有不同维度和重要性水平的有效时间序列特征。然后，提出了一种增强的预训练框架，该框架采用相似性对比学习来挖掘工业时间序列数据中的潜在表示信息。最后，提出了基于矩对比对抗学习的领域自适应方法，该方法在对抗学习领域不变特征的过程中保留了目标领域特有的结构信息，减轻了负迁移效应。在两个广泛认可的工业基准数据集上进行了一系列严格的实验，重点关注跨领域场景。结果表明，我们的方法在工业跨领域预测场景中取得了最先进的性能。
