滚动轴承广泛应用于旋转机械中,其运行状态和旋转机械的整体性能有着密切的联系。故滚动轴承的健康管理对延长机械设备寿命、提高运行可靠性具有重大的意义。其中剩余使用寿命(RUL)预测是实现旋转机械的健康管理和预测性维护最重要的技术之一,并受到广泛的关注。本文以门控循环单元(GRU)网络为基础,对滚动轴承的RUL进行研究,研究的内容如下:由于各个轴承的退化状态各异,本文针对振动信号建立健康指标(HI)估计模型,然后结合粒子滤波算法预测RUL。在该模型中,首先针对基本特征中存在的波动以及退化趋势不明显的问题,提出一种基本特征提取与具有自适应噪声的完整集合经验模态分解相结合的方法提取趋势特征,并且利用单调性和相关性筛选特征。然后,针对轴承失效阈值难确定的问题,将筛选出的最优特征集输入GRU网络获得HI并利用粒子滤波算法得到测试轴承的RUL。针对滚动轴承在健康阶段退化特征不明显的情况,本文进一步研究了在健康阶段监测其运行状态,在开始退化时发出警报并触发RUL预测装置的方法。在此基础上,该算法考虑到轴承的退化模式不同,提出了针对不同的退化模式建立预测模型的方法。其中快速退化模式,训练轴承的退化信息较少,在进行时域特征选择后,采用生成对抗网络对选择的退化特征进行数据增强,接着将特征进行相对变换和异常矫正熵变换后输入GRU网络模型预测RUL;而缓慢退化模式,则无需进行退化特征增强直接预测RUL。最后对IEE-PHM-2012挑战数据集和XJTU-SY数据集进行仿真实验,并与常见的几种机器学习算法对比,结果表明本文提出的方法不仅能够有效地提高RUL的预测精度,而且能够准确地跟踪轴承的退化过程,为设备的维护提供有效的维护策略,以延长设备的寿命。