滚动轴承作为旋转机械的关键支撑零部件,其前期的设计可靠性和使用时的运行状态对人身安全、生产效率和经济效益具有严重影响。因此在投入使用前对其进行可靠性预估,检查批次的质量是否满足使用工况,将大大降低运行风险和后期的维修难度;在使用过程中通过故障预测与健康管理(PHM,Prognostics and Health Management)对滚动轴承的健康状态进行评估,则能使维护工作更具主动性,避免了以往被动的定期维护和视情维护。本文基于滚动轴承的全寿命数据,扩展了滚动轴承健康状态评估的理论框架。首先对滚动轴承的使用寿命进行概率统计分析和可靠性评估,在可靠性得到充分保证的情况下,再投入使用。在滚动轴承的运行状态评估中,根据从振动信号中提取故障特征,结合人工智能算法,实现滚动轴承运行过程中的故障监测、故障定位及剩余寿命预测。为实现对滚动轴承寿命数据的精确统计分析,本文引入具有容错能力的Ⅱ型广义logistic分布(Ⅱ-GLD,Type-ⅡGeneralized Logistic Distribution)和Tukey’s g-and-h分布。针对两个分布的不同特点,采用粒子群优化(PSO,Particle Swarm Optimization)算法实现了参数估计,优化目标函数分别为Ⅱ-GLD的负极大似然函数和Tukey’s g-and-h分布的分位数均方误差。结合104轴承和7208轴承寿命数据对正态分布、威布尔分布、Ⅱ-GLD和Tukey’s g-and-h分布的拟合效果进行对比,并分析不同分布对滚动轴承可靠度的影响。另外,基于Ⅱ-GLD和Tukey’s g-and-h分布的位置-刻度模型对滚动轴承加速寿命数据的P-S-N曲线进行建模,分别得到基于Ⅱ-GLD的解析表达和基于Tukey’s g-and-h分布的分位表达。实验结果表明,威布尔分布、Ⅱ-GLD和Tukey’s g-and-h分布对滚动轴承的寿命数据拟合精度近似,但Ⅱ-GLD的应用及推广比较灵活,而Tukey’s g-and-h分布则适合于分位寿命计算和预测。在只有健康样本的情况下,通过流形学习算法正交局部保持投影(OLPP,Orthogonal Locality Preserving Projection)结合支持向量数据描述(SVDD,Support Vector Data Description)的方法实现了滚动轴承的运行状态监测。首先从振动信号中采集统计特征,包括时域特征和Kolmogrov-Smirnov(K-S)检验统计量。根据各退化特征与均方根(RMS,Root Mean Square)的相关性大小进行初步特征筛选并标准化,然后采用OLPP进行降维,最后利用SVDD对降维数据进行信息融合得到性能退化指标,从而实现运行状态监测。利用辛辛那提大学智能制造系统(IMS,Intelligent Manufacturing Systems)中心以及作者在杭州轴承试验研究中心(HBRC,Hangzhou Bearing Test&Research Center)所做的两组滚动轴承全寿命数据对所提方法进行测试,验证了所提方法对早期故障监测的有效性。另外,基于全寿命数据对SVDD的高斯核函数带宽进行遍历寻优,使得性能退化指标和时间的相关性最大。该退化指标为后续剩余使用寿命(RUL,Remaining Useful Life)的预测奠定了基础。针对滚动轴承早期的非平稳、非线性故障振动信号,以及信号中存在的强噪声和谐波干扰,采用自适应局部迭代滤波(ALIF,Adaptive Local Iterative Filtering)去除背景噪声以及非平稳信号的影响,实现故障振动信号在不同尺度上的分析。仿真结果表明,ALIF能够有效减轻经验模态分解(EMD,Empirical Mode Decomposition)过程中出现的模态混淆等缺点。然后通过最大峭度原则选取ALIF分解后包含故障信息最丰富的本征模态函数(IMF,Intrinsic Mode Function)。通过Hilbert变换、Teager能量算子(TEO,Teager Energy Operator)、解析能量算子(AEO,Analytical Energy Operator)和二到四重高阶解析能量算子(HO-AEO,High Order Analytical Energy Operator)的仿真对比,说明四重HO-AEO在增强故障信息和抑制噪声的优越性。因此本文采用四重HO-AEO对最大峭度的IMF进行包络解调,结合快速傅里叶变换(FFT,Fast Fourier transform)进行频谱分析,通过与滚动轴承故障特征频率对比实现滚动轴承的早期故障诊断。最后通过实验滚动轴承运行状态监测异常点的频谱分析,说明所提方法的优越性,也进一步验证了状态监测方法的准确性。提出基于多尺度熵结合核稀疏表达的滚动轴承故障分类方法,用于改善传统故障诊断中特征提取、特征降维和故障分类三步走的多故障分类法。核稀疏表达分类(KSRC,Kernel Sparse Representation Classification)算法能够对不同类型的故障分别进行特征选择,从而更好的进行故障分类,其优势在于更高维特征能够显著提高分类精度。该方法能够克服支持向量机(SVM,Support Vector Machine)需要相应分类策略和人工神经网络(ANN,Artificial Neural Network)需要大样本训练的难题。最后利用叶轮泵故障轴承数据和凯斯西储大学(CWRU,Case Western Reserve University)人工故障轴承数据对所提方法的有效性和精确性进行了验证。结果表明,小样本情况下随特征维度的增大,KSRC对滚动轴承故障类型的分类精度也随之提高。研究了在运行监测指标波动性较大的情况下,基于集成学习的RUL预测模型。首先随机抽取退化区间的不重复样本,利用威布尔分布的浴盆曲线模型对滚动轴承的退化性能指标进行平滑处理,并结合PSO算法实现参数辨识。其次将拟合曲线样本作为训练输入样本,抽样的实际退化指标作为验证输入样本,对应退化区间的寿命比作为输出,分别代入最小二乘支持向量机(LSSVM,Least Square Support Vector Machine)和相关向量机(RVM,Relevance Vector Machine,)进行训练和测试,得到平均相对误差、均方根误差、平均绝对误差和归一化均方误差四类指标。然后分别计算LSSVM和RVM对RUL预测的加权系数,通过集成学习实现最终RUL的预测。最后通过滚动轴承全寿命数据对所提方法进行验证。结果表明,平滑性能退化指标能够有效地降低滚动轴承退化波动性对预测精度的影响;通过机器学习算法对待测样本进行相似度量,可以实现RUL的长程预测;集成学习算法能够弥补单个机器学习算法的不足,随着机器学习算法的增多,其预测结果会更趋近于真实值。因此本文所提方法的预测结果具有稳健性。