连续学习最近在机器剩余使用寿命（RUL）预测中受到了特别关注，它使深度预测网络能够使用增量样本来逐步提高网络性能，而无需费力的再训练。然而，目前的研究显示出几个局限性：1）在多个连续学习阶段后，缺乏一种明确的机制来防止象牙记忆的丧失。2）基于连续学习的RUL预测缺乏采样增强重放技术。为了解决上述局限性，本文提出了一种用于机器RUL预测的互补连续学习框架，该框架包含两个新特征，即长期增强和联想重放。这两个特征是互补和共同增强的。长期增强侧重于多阶段连续学习，这能够防止深度prognos.tics网络忘记以前学习到的退化知识。关联回放关注每个新的持续学习阶段，能够将典型的退化知识整合到新的网络学习中。使用滚动轴承的运行到故障数据集验证了提出的框架，并将其与一些最先进的方法进行了比较。实验结果表明，所提出的框架在持续学习过程中具有较低的遗忘率，并实现了更好的预测性能强化 关键词：关联回放、持续学习、深度学习、长期增强、剩余使用寿命预测。
