由于滚动轴承是旋转机械中的重要部件并且是导致其失效的主要故障源,而传统的滚动轴承性能指标比如说有效值,峭度等不能全面的反映轴承各个阶段的退化情况,所以本文以滚动轴承为研究对象,对轴承健康状态的划分,识别以及性能定量化评价进行了一定研究,主要包括轴承特征提取与优选,轴承状态划分与识别,轴承定量化性能指标的构建三方面。具体工作内容如下:(1)为了最大限度挖掘振动信号的特征信息,本文提取了13个时域特征,包括7个有量纲特征和6个无量纲特征,5个频域统计特征,并且对信号进行EMD分解、希尔伯特变换和傅里叶变换等方法在包络谱上提取了轴承内圈、外圈、滚动体和保持架的1、2、3倍频,利用小波包分解提取了小波熵特征,还提取了反映时域信号的排序模式相异性的排序熵。得到高维特征矩阵,利用熵权法优选出20个比较能反映轴承退化情况的特征。(2)针对人为划分轴承健康状态的主观性,基于GG聚类算法将PCA降维得到的第一主元进行自适应的无监督聚类,实现对全寿命轴承数据的状态划分,并且对划分结果进行评价;然后利用HMM模型对几种状态的数据进行识别,将其识别结果与BP神经网络和SVM方法进行比较。(3)利用HMM构建了基于对数似然概率的滚动轴承性能指标,同时根据SOM网络理论构建了基于最小量化误差的滚动轴承性能指标,将两种指标融合,提出HMM-SOM模型构建方法,利用该模型输出得到新的滚动轴承性能指标,该指标集合了两个模型的优势,最后从单调性,趋势性和鲁棒性三方面对该指标进行评价。(4)为了证明HMM-SOM融合模型的适用性,本文选用了辛辛那提智能维护中心滚动轴承疲劳寿命试验数据,杭州轴承实验全寿命数据和8组PHM2012挑战赛轴承数据对模型进行方法的验证,充分验证了HMM-SOM融合模型对于滚动轴承性能指标构建的有效性。