滚动轴承是机械设备中使用最广泛的组件之一,它的整体状态直接影响机械设备的安全运行。近年来,滚动轴承故障诊断成为旋转机械的重点研究领域,但一般的故障诊断只能从有无故障来评价,显然是不够的。当故障发生时,需要对故障程度进行评估,而剩余使用寿命是对轴承状态评估最直接的方法。因此,本文结合故障诊断和寿命预测方法对轴承故障进行综合分析。在以往故障诊断方法的基础上,提出一种基于频带选择的精度图算法,并针对该算法存在的噪声敏感和干扰频率较多的问题,提出了改进方法,旨在提高滚动轴承故障诊断能力。在寿命预测时,为了提取更多有效的特征,本文结合改进的精度图算法提取轴承的高维特征。同时为了消除冗余特征,本文提出一种基于包络多边形和计算几何的方法。最后利用改进的特征和构建的健康指标训练预测模型获得轴承的剩余寿命预测结果。本文主要内容如下:1.如果能够找到与机械故障具有内在联系的频带,则可以显著改善故障诊断的能力。因此,本文提出一种基于频带选择的精度图算法,该算法使用无偏自相关结合能量熵和能量谱熵提取信号冲击和循环平稳特性,以分类的方法区分健康和故障信号并选择故障敏感频带,为轴承的故障诊断打下基础。2.针对精度图算法存在的噪声敏感问题。精度图算法的频带选择可靠性降低,频谱中仍包含较多的无关频率。在深入研究精度图算法的基础上,采用最小熵解卷积算法(Minimum Entropy Deconvolution,MED)突出信号的故障冲击成分,降低噪声干扰。采用多点最优调整的最小熵解卷积算法(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)精准提取敏感频带的故障特征,从而提高滚动轴承故障诊断的能力。3.轴承剩余寿命预测需要提取多方面特征,但轴承振动信号往往包含大量噪声,直接提取特征会造成较大的误差。因此本文采用最小熵解卷积和精度图算法对信号进行预处理,突出特征中隐含的退化趋势信息。同时过多的特征则会包含与测试状态无关的信息,为了提取更有效的特征,本文提出一种基于包络多边形和计算几何算法的特征筛选方法。通过计算几何算法构建参数量化特征间的相似性来选择特征,为轴承的剩余寿命预测提供高质量的特征。4.目前大多数寿命预测方法仍使用单一的模型,训练结果并不十分理想,本文采用自适应集成算法(Adaptive Boosting,AdaBoost)优化极限学习机(Extreme Learning Machine,ELM)的算法,该算法进一步提高极限学习机的预测性能,同时避免了模型训练的偶然性误差。与一般只考虑单一健康指标的方法相比,本文构建了局部和全局健康指标,可以在考虑全局的同时兼容局部最优问题,进一步提高寿命预测的准确性和避免较大的误差。