滚动轴承作为机械装备中的关键零部件之一,其运行状态直接影响机械装备的安全性和稳定性。然而实际工程中滚动轴承工作环境恶劣,工况多变,轴承易出现性能退化。若未能准确表征并预测滚动轴承退化趋势,轻则影响机械装备运行,重则导致人员安全事故。因此,研究准确表征并预测轴承性能退化趋势兹事体大。随着机械装备监测大数据时代来临,基于数据驱动预测方法蔚然成风,本文从数据驱动角度出发,以滚动轴承为研究对象,着重围绕滚动轴承性能退化指标构建、性能退化趋势预测模型建立、深度学习网络参数优化开展研究。主要研究内容如下:1)为更好构建能够表征轴承退化过程的性能退化指标,提出一种改进一维深度卷积神经网络轴承性能退化指标构建方法。首先,构建一维深度卷积神经网络,以深度挖掘轴承退化特征;其次,设计一种组合损失函数,在均方误差函数基础上引入特征相邻点正微分累积值,使得网络在训练过程中退化特征相邻点正微分值不断增大,负微分值不断减小,以提高性能退化指标单调性;最后,通过全连接层将高维特征转化为低维特征,实现性能退化指标构建。2)在性能退化指标基础上,为充分利用轴承退化序列时间相关性,提高性能退化趋势预测精度,提出深度双向门控循环单元网络的滚动轴承性能退化趋势预测方法。首先,利用门控循环单元网络重置门和更新门网络结构简单并且具有长期记忆特性优点,将其作为构建深度双向门控循环单元预测模型的正向门控循环单元网络;然后,增加反向门控循环单元网络构成深度双向门控循环单元网络,利用深度双向门控循环单元网络中正向门控机制和反向门控机制的长期记忆特性,以充分学习轴承退化序列时间相关性;最后,通过全连接层输出预测值以实现性能退化趋势预测。3)在趋势预测模型基础上,考虑到深度双向门控循环单元网络隐藏层单元参数对网络性能的影响,为在非经验指导下获取网络最优参数,实现滚动轴承性能退化趋势预测,提出麻雀搜索算法优化深度双向门控循环单元滚动轴承性能退化趋势预测方法。首先,以深度双向门控循环单元网络中的隐藏层单元个数作为麻雀位置,以进行深度双向门控循环单元网络训练。然后将预测值与真实值的均方误差作为适应度值进行迭代优化更新麻雀位置,以获取深度双向门控循环单元网络最优隐藏层单元数。最后,建立优化参数后性能退化趋势预测模型,以实现性能退化趋势预测。通过实验证明,所提方法可在非经验指导下获得最优的隐藏层单元个数,降低了凭借人为经验选取隐藏层单元个数的不确定性,优化后的深度双向门控循环单元网络取得了较好预测效果。文章最后对所做工作进行总结,并且展望了下一步研究方向。