【摘要】本文提出了一种将维纳机理建模和改进深度学习结合起来的电动机隐性故障演化轨迹预测方法。首先对轴承磨损、定子绝缘老化、转子偏心三种典型的隐性故障进行阶段性的演化机理分析，从中选取振动、温度、电气等主要的退化特征；利用维纳随机过程建立分段式的故障退化机理模型，描述故障整个生命周期的随机演化规律；建立具有机理约束的 CNN-BiLSTM 时序预测模型，考虑多维特征空间的耦合性和时序双向演化特点，实现对故障轨迹的拟合以及剩余寿命的预测。工业电机实测数据集验证结果表明，该方法故障轨迹拟合精度达到 98.2%，剩余寿命预测平均误差小于 2.1%，比传统的神经网络模型在预测稳定性、精确度方面有明显提高，可以为工业电机预测性维护工程的应用提供支持。