对滚动轴承进行退化趋势及剩余寿命预测研究,是保障机械设备安全可靠运行的基础保障性研究内容之一。本文以NASA预诊断数据库的轴承疲劳试验数据为基础数据,利用多频率尺度模糊熵和极限学习机方法,研究了滚动轴承的振动信号特征提取、轴承性能衰退评估指标的构建、状态评估、退化趋势预测和剩余寿命预测等问题。主要工作如下:一、以对滚动轴承早期故障的发生和性能衰退较为敏感为原则,从众多时域、频域特征量中筛选出8个时域特征和10个频域特征。在时频域和熵领域,将经验模态分解和模糊熵相结合,提出“多频率尺度模糊熵(IMFFE)”特征提取方法,得到更为敏感的9个频率尺度上的模糊熵特征量。二、基于主成分分析(PCA)法构建轴承性能衰退评估指标。对筛选得到的敏感特征分领域进行PCA降维融合,得到时域、频域和IMFFE三个综合指标。分析预诊断数据库轴承全寿命周期内三个指标随样本号的变化规律,发现融合后的指标比单一特征量对轴承的性能衰退更为敏感。相对而言,IMFFE指标最佳。三、提出一种轴承运行状态评估方法。该方法以具有全寿命周期监测数据的同型号、近似工况的老旧轴承为“参考轴承”,以正在运行的“待测轴承”的监测历史数据为依据,评估其运行状态。1)根据全寿命周期内IMFFE指标曲线的多项式拟合曲线的斜率变化,确定“参考轴承”平稳运行期、退化期和失效期三个阶段的分界点,并用三条斜率不同的状态直线来标志这三个阶段;2)对“待测轴承”到目前为止的IMFFE指标曲线进行多项式曲线拟合和归一化处理,计算当前点到“参考轴承”三条状态直线的距离,距离最近的状态直线的状态即为此轴承的状态。试验验证表明,该评估方法较为直观简便,评估精度也相对较高。四、在状态评估的基础上,基于优化极限学习机(ELM)自适应预测算法对滚动轴承进行了退化趋势和剩余寿命预测。该算法利用“遍历选取法”选取ELM的两个外部参数,同时用粒子群优化算法选取ELM的两个内部参数,达到同时自适应地优化选取4个算法参数的目的,建立基于优化参数的预测模型。针对滚动轴承退化趋势预测问题,提出一种长期动态迭代的退化趋势预测方法,实现了退化趋势的高精度多步预测。针对滚动轴承寿命影响因素较多,单个指标无法达到预测精度要求的问题,以本文构建的三个评估指标作为多变量极限学习机的输入,预测滚动轴承的剩余寿命,提高了预测的精度。