滚动轴承是机械装备中的关键部件,其运行状态的好坏直接影响整个机械设备的性能,而滚动轴承长期处于高速、高负荷运行的状态,容易出现各种故障,因此,研究滚动轴承故障诊断与退化趋势预测技术,对于确保机械设备正常运行,避免出现重大事故有着非常重要的意义。本文以滚动轴承的振动信号为研究对象,主要对轴承早期故障识别、故障智能诊断、轴承退化趋势预测进行了研究。论文研究的主要成果如下:1、针对滚动轴承早期故障信号中的有用故障信息容易被强干扰噪声淹没,难以直接提取出故障特征的问题,研究了最大相关峭度解卷积与自相关的降噪原理,分析了各自的不足,提出最大相关峭度解卷积结合自相关分析的降噪方法,用该方法对轴承早期故障信号进行降噪,通过匹配降噪信号包络谱中幅值突出的频率与轴承故障特征频率实现对轴承早期故障的识别。实验结果表明:最大相关峭度解卷积与自相关分析相结合的降噪方法的降噪效果更加理想,能成功识别出轴承早期故障。2、研究了将小波包能量向量作为诊断模型的输入向量,深度信念网络作为诊断模型的轴承故障诊断方法,详细分析了小波包分解层数、深度信念网络隐藏层组合、训练样本与测试样本比例对故障诊断的影响。对深度信念网络、支持向量机、BP神经网络故障诊断方法进行了对比实例分析,结果表明深度信念网络故障诊断方法的诊断准确率最高,能够准确识别出轴承故障发生的位置与损伤程度。3、研究了支持向量数据描述算法的基本原理,并将其用于综合多个时域频域特征值,提取出能更好表征轴承退化过程的指标。分析了核极限学习机中不同核函数的优缺点,提出了混合核极限学习机预测模型,并用粒子群算法对混合核极限学习机中的多个参数进行了寻优。将轴承退化指标提取方法与混合核极限学习机预测模型相结合,用滚动轴承全寿命振动数据进行了实例分析,分析结果表明支持向量数据描述算法能够提取出表征轴承退化趋势的指标,粒子群优化混合核极限学习机能够很好的预测出轴承退化趋势,具有较高的预测精度。4、采用C#与Matlab混合编程的方法,集成本文所研究的方法,设计开发了滚动轴承故障诊断与退化趋势预测系统,利用滚动轴承故障振动数据对系统进行了实例分析,结果表明该系统运行结果正确,使用方便,提高了效率。