滚动轴承作为机械设备的重要零部件,对其剩余使用寿命进行预测,可以为设备的运行维护提供指导,保证设备的使用安全,避免发生事故,因此对其开展剩余寿命预测研究具有重要的现实意义。通过机器学习来准确预测滚动轴承的剩余使用寿命,是目前主要的研究方法。然而滚动轴承寿命差异巨大,即使在相同型号、批次、运行条件下,轴承的寿命仍然可能相差数倍。并且轴承的寿命还会受到材料、加工工艺、安装工艺、运行条件等多方面的影响,这为预测轴承寿命带来了巨大挑战。在目前轴承剩余使用寿命预测的研究中,研究的重点是建立从轴承振动信号中提取的特征与其寿命之间的关系。但在信号特征中隐含的时序信息对轴承剩余使用寿命预测的影响、轴承信号特征在时间方向上的波动性对轴承剩余使用寿命预测的影响、不同轴承的同一特征之间的趋势一致性对轴承剩余使用寿命预测的影响等方面还有待进一步研究。为此,本文的主要工作及取得的研究成果如下:（1）针对如何挖掘信号中隐含的、对寿命预测具有影响的时序信息的问题,提出了一种面向滚动轴承剩余使用寿命预测的时序特征提取方法。构建了并行多通道卷积长短时记忆网络模型,对时序特征进行有效提取。首先通过构造的并行多通道卷积单元,对信号进行特征提取,使其能够包含时序信息,形成时序特征。然后利用多层长短时记忆单元,对时序特征进行进一步地挖掘,最后做出预测结果。通过实例验证了该方法能够有效提取出信号特征中的时序信息,利用时序特征能够获得更好的预测效果。（2）针对如何有效降低轴承信号特征在时间方向上存在波动性的问题,同时降低人为因素的影响,提出了一种面向滚动轴承剩余使用寿命预测的迭代生成特征提取方法。首先将卷积自编码网络作为特征提取模型,对信号进行特征提取,减少特征的数量和后续计算需要的网络参数;然后构建多层双向长短时记忆网络,对特征进行生成,利用其能够生成平滑的特征,并能较好保留原本趋势的优点,有效降低了特征的波动性。最后通过实例验证了该方法能够有效降低波动性,同时能够有效降低预测误差。（3）针对常用的轴承寿命预测特征评价指标中,没有考虑不同轴承同一特征之间的趋势一致性的问题,提出了一种面向滚动轴承剩余使用寿命预测的特征评价指标。为了量化评价这种趋势一致性,参照指标评价的流程,借助相关性公式,设计一种新的特征评价指标——趋势一致性指标,并将其运用于深度学习模型提取的特征,最后通过实例验证了该指标能够对趋势一致性进行评价,同时一定程度上提升了深度学习模型提取的特征的可解释性。（4）集成以上研究成果,开发了一套滚动轴承剩余使用寿命在线预测系统。系统接收采集的轴承状态数据,进行降采样等预处理后,在线预测滚动轴承的剩余寿命,同时为用户提供寿命预测曲线、预测数值、特征趋势等多种可视化结果,为轴承的维护提供直观的参考。