智能制造过程中关键设备的预测维护可以实现设备故障诊断过程从计划维修到视 情维修的转变，对系统安全稳定运行至关重要。实时的早期故障诊断、精确的寿命预测 模型构建是预测维护的两个关键环节。深度学习作为一种先进的数据特征抽取手段在故 障诊断和剩余寿命预测中受到了广泛的关注。但是传统深度学习模型对于那些仅在频域 中呈现显著征兆特征的机械类故障的实时精确诊断无能为力，另一方面现有基于 LSTM （Long Short-Term Memory）的深度学习剩余寿命预测模型的全连接网络结构具有较高 的计算复杂度且无法保障剩余寿命预测的精确性
