滚动轴承以其独特的优势在旋转机械设备中起着重要的作用,然而实际工况条件往往十分恶劣,导致轴承极易发生性能退化。可靠、准确地预测轴承退化趋势对机械装备的健康管理起着重要的指导作用。本文围绕轴承的退化过程,深入开展了基于循环神经网络的轴承退化趋势预测方法研究,主要内容如下:(1)针对传统轴承退化趋势预测方法未充分考虑历史振动状态与未来状态之间关联的问题,提出了基于循环神经网络的预测方法。通过对轴承振动信号处理,分别提取轴承振动信号的时域、频域以及时频域特征参数,构建利于趋势预测的单调性特征评价指标,筛选出单调性最优的特征参数,利用循环神经网络实现轴承的退化趋势预测,与传统BP神经网络对比,所提方法效果更好。(2)针对单一特征参数无法全面表征轴承整个退化过程以及循环神经网络训练过程中存在的梯度不稳定的问题,提出了基于瓶颈特征与长短时记忆网络的轴承退化趋势预测方法。通过构建一致性评价指标进一步筛选出敏感特征参数集,利用堆叠自编码网络学习敏感特征参数集中轴承的退化信息,提取充分反映轴承退化状态的瓶颈特征。为探究循环神经网络结构出现的梯度不稳定现象,建立基于长短时记忆网络的轴承预测模型,最终,通过轴承退化趋势单步与多步预测结果验证了方法的有效性。(3)针对轴承退化特征参数中包含许多不利于趋势预测的细节成分以及长短时记忆网络忽略了未来信息的问题,提出了基于多尺度瓶颈特征与双向长短时记忆网络的退化趋势预测方法。通过对敏感特征参数集进行小波多尺度分解,剔除细节成分,提取敏感特征参数的趋势项,进而利用堆叠自编码网络提取多尺度瓶颈特征。引入时间延迟,构建基于双向长短时记忆网络的预测模型,通过加速退化实验表明,该方法进一步提高了单步与多步预测的精度与泛化能力。