滚动轴承是大型旋转机械设备的关键元件,复杂工作环境和长期高强度工作使其容易发生故障。滚动轴承故障预测对于大型机械设备的预测性维护和故障处置具有重要的理论意义和工程实践价值。传统滚动轴承维护策略存在“滞后性”、“过度维护”等问题。因此,本文提出基于增量宽度长短期记忆网络的滚动轴承故障预测方法,在滚动轴承发生故障前,对其运行参数进行预测,并依据预测结果进行状态分级评估,实现滚动轴承的“预测性维护”,有效降低维护成本,避免因其失效而导致灾难性事故发生。论文主要研究内容如下。（1）现有的滚动轴承运行参数预测方法通常采用历史数据建立模型,工作环境等影响因素的变化会导致模型老化问题,降低预测精度。宽度学习系统具有动态更新的能力,能够通过增加增强节点,增量式地学习新的知识。长短期记忆单元通过门结构对信息进行筛选,对重要信息长期记忆使用。因此,本文提出以长短期记忆单元作为宽度学习系统的特征节点和增强节点,以构建滚动轴承的运行参数预测模型。该模型能够动态更新参数从而提高预测精度。（2）现有的滚动轴承故障预测方法通常以预测的运行参数或者故障与否作为目标,缺乏对健康状态的更加精确的分级表示。所以,本文提出一种基于运行参数的滚动轴承状态分级评估方法。以滚动轴承的健康管理和维修决策为目的,将其运行状态分为健康、良好、注意、恶化和故障5级。通过D-S证据合成规则,对从运行参数中提取多个特征参数的健康状态等级隶属度进行合成,实现准确的运行参数状态分级标定。以标定结果建立并增量更新增量宽度长短期记忆网络作为状态分级评估模型,以运行参数预测结果作为输入就能够获得准确的状态分级信息。（3）针对滚动轴承振动数据中存在大量噪声干扰的问题,应用快速傅里叶变换后在频域对滚动轴承振动信号进行频谱降噪。并从状态分级评估的目的出发,提取充分反映轴承状态信息的均方根、峰峰值、脉冲因子等5种时域特征。在XJTU-SY和CWRU滚动轴承数据上,采用多种现有主流算法与本文提出的增量宽度长短期记忆网络模型进行对比实验。实验结果证明本文提出的增量长短期记忆网络模型在运行参数和状态分级评估的预测精度上有所提升,同时有效地提高了预测效率。