预测技术的研究是进行科学研究的重要方面,它可以根据预测结果作出科学有效地决策。人工智能技术的发展带动了预测技术的研究,而数据驱动下的建模智能预测法更是引起了人们的广泛关注。支持向量机构建预测技术作为智能预测方法的一种,它的提出不仅有效地克服了神经网络预测方法收敛慢、解不稳定、推广性差等缺点,而且对于小样本、非线性、高维数和局部极小点等问题也有较好地预测效果。作为预测技术的具体应用,寿命预测已经成为机电设备研究的热点,它根据被监测设备的数据构建寿命模型,并通过模型结果判断设备的状态以及寿命。本课题立足于支持向量机智能建模预测技术,为将其与实际应用相结合,选取滚动轴承作为应用研究的对象,并对轴承的寿命进行预测。使用支持向量机模型在历史数据基础上对轴承的寿命进行预测,即根据采集的轴承的振动信号并进行有效地特征提取,可合理地预测轴承的剩余寿命,降低轴承疲劳寿命试验的费用。在模型构建的过程中,针对核函数类型及其参数以及支持向量机内部参数对模型预测的影响较大的特点,使用目前优化效果较好地两种算法即遗传算法和粒子群算法对参数对进行优化搜索,为轴承的回归寿命预测模型的建立奠定了理论和模型基础。在对实际模型的具体应用中,为有效的表征滚动轴承运行过程中状态变化问题,提出了基于主成分分析对时域、频域以及EMD样本熵提取的多个特征进行融合的轴承性能指标构建方法,将本文构建的指标与峭度指标分别代入到两种算法优化的支持向量机智能预测模型中,预测效果均表明本文构建的指标可以较好地表征轴承寿命运行状态。在构建具体的寿命模型时,将构建的性能指标以及该指标对应的前一个时间点的剩余寿命作为输入,输出为该时间点对应的剩余寿命,使用两种算法进行优化参数,均实现了较高精度的轴承剩余寿命的预测。对于表征轴承当前运行状态的指标未知的情况,本文在轴承振动信号历史性能指标数据的基础上,采用模糊信息粒化的方法对未来一段时间的轴承信号性能指标进行预测得到了性能指标的变化趋势以及变化区间,并将预测的结果与原始数据进行比较知预测结果较为合理。另外,进一步对预测得到的性能指标构建智能模型对轴承的剩余寿命进行预测,预测结果较为理想。