随着现代工业发展进步,对生产设备也随之提出更高要求。旋转设备作为主要的驱动和传动部件,是工业生产线中不可缺少的关键设备。旋转设备的稳定安全运行关系到实际生产的正常进行,一旦运行的生产设备中发生没有提前预知的故障,轻则会影响生产,重则会酿成重大事故。因此,本文进行对旋转设备的性能退化的研究:提取从旋转设备上采集的可以表征设备状态的物理信号的特征,构建旋转设备的多域高维特征集;为了克服计算高维特征集所存在的问题,需要进行特征集的维数约减,对基于流形学习的旋转设备性能退化特征约减方法进行研究;为了得到旋转设备的健康度来定量表示设备的退化程度,对基于模糊C均值聚类的性能退化评估方法进行研究;在得到设备评估指标的基础上,分别研究了灰色预测模型以及灰色-AR组合预测模型,实现对设备健康度未来趋势的预测。在方法理论研究的基础上,利用实验数据对方法进行仿真验证,以验证方法的有效性。首先,使用原始数据构建旋转设备性能退化的多域高维特征集。本文分别从时域、频域以及时频域三个不同角度提取数据特征,选择状态特征符合设备退化趋势的特征组成高维特征集。高维特征集能够将旋转设备退化状态表现的更加全面,提高后续评估的准确性。其次,开展基于无监督判别投影的旋转设备性能退化特征约减方法研究。因为流形学习相关算法在处理非线性、非平稳信号时具有优势,研究将流形学习算法中的无监督判别投影（UDP）应用于高维特征集的维数约减。但经典的无监督判别投影算法存在近邻参数选择的问题,针对这一问题提出一种自适应近邻的无监督判别投影算法（ANUDP）。该方法可以根据样本点在流形中的实际分布情况,自适应的选择近邻个数,可以提高降维的稳定性。最后,展开旋转设备性能退化评估与退化趋势预测研究。在旋转设备低维特征集的基础上,利用模糊C均值聚类形成正常状态聚类中心,将待测数据样本相对于该中心的隶属程度构建成评价指标,这个指标就作为旋转设备的健康度。并且在此基础上,开展旋转设备健康度预测研究。分别建立灰色预测模型以及灰色-AR组合预测模型,进行旋转设备退化趋势预测。仿真验证了上述方法的可行性。