滚动轴承是机械设备中的重要部件,据统计,约30%的旋转机械故障是由滚动轴承损伤所造成,这些故障会产生昂贵的停机损失,甚至是人员伤亡。因此,对滚动轴承故障预测的关键方法:特征向量提取与降维、性能退化评估、剩余寿命预测进行研究与改进,使设备接近或达到零停机状态,具有重要的意义。针对提取的特征向量维数过高及局部保留投影(Linearity Preserving Projection,LPP)算法在降维过程中因忽略数据的全局结构而破坏高维数据流形问题,提出一种基于改进LPP算法的滚动轴承特征向量降维方法。提取滚动轴承振动信号时域、时频域特征向量,并利用改进LPP算法对多域特征向量降维,最后,以降维后的特征向量作为输入,以连续隐半马尔科夫模型(Continuous Hidden Semi-Markov Model,CHSMM)作为分类器,对滚动轴承进行故障类型识别。实验结果表明,改进LPP算法克服了LPP算法没有考虑高维数据全局结构的缺陷,显著提高了数据的聚类效果;基于改进LPP和CHSMM方法的轴承故障类型识别的总体正确率为89%,相比于基于LPP和CHSMM的方法,提高了21.5%,进一步说明了改进LPP算法在轴承特征向量降维应用中的有效性。针对支持向量数据描述(Support Vector Data Description,SVDD)算法对滚动轴承早期故障不敏感、参数选择困难问题,提出一种基于自适应果蝇优化算法-小波支持向量数据描述(Adaptive Fruit Fly Optimization Algorithm-Wave Support Vector Data Description,AFOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,采用改进LPP算法进行特征降维;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难问题,以支持向量个数与总样本数的比值为适应度函数,采用AFOA对其核参数进行优化,建立AFOA-WSVDD评估模型。最后,将轴承后期振动数据的特征向量输入到WSVDD模型中,得到轴承的性能退化指标。实验结果表明,采用所提方法能准确的对轴承早期故障作出预警,与基于SVDD算法的方法相比,提早了17个小时。针对CHSMM对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。采用改进LPP算法对多域特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。实验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与基于原始CHSMM的方法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。