滚动轴承以其装配方便、摩擦阻力小等优点,在航空航天,轨道交通,风力发电等大型机械中都得到了十分广泛的应用,是旋转机械设备中最重要的零部件之一,其性能状态的好坏直接影响整台设备的运行状态。寿命是衡量滚动轴承性能的重要指标之一,但实际数据显示滚动轴承的使用寿命具有很大的离散性,同批次同工况下,最低寿命与最高寿命差距达数十倍,因此对运行中的滚动轴承健康监测和残余寿命预测极为必要。准确的残余寿命预测可以尽早发现滚动轴承损伤和劣化趋势,为制定经济合理的检修策略提供数据支持,尽可能减少生产事故,提高经济效益。近年来,基于数据驱动的机器学习方法在机械设备故障诊断领域和寿命预测领域广泛应用,成为热点。本文也将采用数据驱动的方法,围绕滚动轴承残余寿命预测的三个关键步骤:振动特征提取与选择,性能退化状态分类,残余寿命预测展开研究,主要研究内容如下:(1)针对选择合适的振动信号特征表征滚动轴承状态的问题,通过从时域,频域,时频域,信息熵等多方面提取滚动轴承的振动特征,构造特征库,来综合全面描述滚动轴承的状态信息。提出了一种自适应特征选择方法,通过添加白噪声特征以及融合特征,并使用相关性,单调性,鲁棒性三个指标来综合评价特征,可以自动确定特征维数并筛选出敏感特征子集。解决了从大量特征中优选特征子集的问题,通过实验数据验证了所提方法的有效性,为滚动轴承性能退化分类和残余寿命预测奠定基础。(2)针对滚动轴承性能退化状态分类的问题,提出了一个可以实现快速分类的指标,相对能量累积增比(REAR)和基于贝叶斯优化的SVM分类方法。该方法考虑了性能退化中的多分类问题,类别数据不平衡的影响。解决了传统网格优化SVM训练时间太长的问题,为残余寿命的预测提供初始预测时刻,并通过实验数据验证了所提方法的有效性。(3)针对滚动轴承残余寿命预测的问题,基于集成学习和提升的思想,提出等权重残差优化迭代RVM预测模型和加权残差优化迭代RVM预测模型。通过实验数据验证了所提两种模型相比传统RVM预测模型,均可以有效提升准确率,减小误差。(4)基于LabVIEW平台和MATLAB语言,集成本文所提的振动特征提取算法,自适应顺序最优特征选择算法,欠采样贝叶斯优化SVM分类方法,加权残差优化迭代RVM预测模型等,编写了一个滚动轴承运行状态在线监测系统。该系统可以实现振动与温度信号的采集,数据的存储与回放,运行状态判断与残余寿命的预测。