维护活动和计划已成为制造公司竞争优势的关键因素。 这是由于不同生产活动之间的交互的复杂性增加，以及制造环境的不断扩展，以及机器维护成本的增加。 专注于常规计划维护的现有实践（即预防性维护（PvM））被认为不再经济。 因此，随着机器和人工智能（AI）技术的进步，预测性维护（PdM）是机器维护的未来。 在预测性维护中，预后和健康管理（PHM）应运而生，是一种通过“剩余使用寿命”（RUL）确定来预测机器故障的方法。 这项研究旨在应用机器学习技术来预测RUL在高速度含氧燃料机器（HVOF）中的应用。 正如最近几位研究人员所提出的那样，主要用于图像处理的卷积神经网络（CNN）由于其特性已被用于预测机器故障。 在这项研究中，CNN模型的开发分为三个阶段，分别服务于1）预处理，2）参考模型开发和3）CNN开发。 在第1阶段，使用中位数插补和合成过采样技术解决了缺失数据和不平衡数据的问题。 在第二阶段，将干净数据放入常规机器学习算法即朴素贝叶斯（NaïveBayes）中，并将结果标记为参考模型，并继续进行到第3阶段，在此阶段开发CNN，然后将干净数据馈入进行预测。 使用参考模型的结果作为基准，开发，评估和测试CNN模型，直到获得约1.0的最终精度。
