离心泵在油田生产现场应用广泛,现场执行大修采用的是定期维修或经验判定,缺乏对临修离心泵的剩余寿命评估。因此开展临修离心泵剩余寿命评估的研究具有重大意义。本文以离心泵为研究对象,在离心泵退化指标构建、大修标准阈值确定和剩余寿命评估等方面进行了研究,主要内容有:（1）提出了基于多源特征融合的离心泵退化指标构建方法。从振动特征中提取分别反映轴承、泵轴、叶轮三大关键零部件运行状态的振动速度有效值、振动位移峰峰值、叶片通过频率幅值作为振动指标,从特性参数中提取反映离心泵性能退化情况的出口压力值作为特性参数指标。将振动指标和特性参数指标组成多源特征集利用核主成分分析法（Kernel Principal Component Analysis,KPCA）进行特征融合,得到第一核主成分作为表征离心泵整体健康状态退化过程的退化指标。使用油田现场数据进行实例分析,计算得到某离心泵趋势性指标为0.9169,验证了基于多源特征融合的退化指标能够有效表征离心泵的退化过程。（2）提出了基于优化概率神经网络（Probabilistic Neural Network,PNN）的离心泵大修阈值模型。通过KPCA对原始数据进行降维处理,优化PNN结构;通过遗传粒子群算法优化PNN平滑因子,提高模型的有效性和容错能力,基于优化概率神经网络建立离心泵大修阈值模型。采用现场数据建立了动态变化的大修阈值曲线。通过对2016年5月某离心泵的大修案例分析,在离心泵退化指标超过大修阈值时及时进行大修,将其大修日期提前了两个月左右,表明本文提出的大修阈值模型能够及时判断离心泵是否应该进行大修,避免大修工作的盲目性。（3）提出了基于优化极限学习机（Extreme Learning Machine,ELM）的离心泵剩余寿命评估模型。利用遗传粒子群算法对ELM的输入权重和偏置进行优化,提高预测精度。基于优化ELM建立剩余寿命评估模型,利用多维特征融合后得到的退化指标进行预测。预测结果的均方误差和决定系数分别为0.0003和0.9984,表明优化ELM模型相比于其他模型误差更小,精度更高。在对退化指标预测的基础上结合大修阈值对离心泵的剩余寿命进行评估。通过对2018年9月某离心泵的大修案例分析,表明本文提出的剩余寿命评估模型可以评估临修离心泵的剩余寿命从而进行视情维修,避免因剩余寿命不足引发的非计划停机事故。