轴承属于易损坏零件,由于其安装位置不方便拆装和检测,导致维护和故障排查困难。根据故障诊断与健康管理技术,本文提出基于数据驱动的滚动轴承健康状态评估和剩余寿命预测方法,解决轴承运行过程中的“信息黑箱”问题,使轴承智能化、信息化。首先分析轴承结构和失效机理,计算故障特征频率。由于在采集振动信号的过程中经常受到噪声干扰,提出使用双树复小波变换对信号进行预处理,通过构造高通和低通滤波器组将信号分解为实部和虚部。利用本文提出的改进阈值算法对分解后的小波系数进行降噪处理。根据健康状态评估和剩余寿命预测的需要,提取信号中的时域和时频域信息作为敏感特征信号。然后分析支持向量数据描述算法在参数设置上存在的问题,提出使用遗传算法优化的多核组合支持向量数据描述算法,对提取出的特征进行超球体建模,确定健康样本下的超球体中心和半径,用于协变量变化趋势分析。由威布尔分布结合协变量分析,提出使用威布尔比例风险模型对轴承进行可靠度健康评估,并使用粒子群优化的最小二乘法解决模型中的参数估计问题。利用对试验样本的统计分析,建立基于可靠度健康评价指标的轴承健康状态等级划分准则,实现对轴承的健康状态等级评估。最后介绍循环神经网络模型,分析网络结构中存在的历史依赖和梯度问题,提出使用长短时记忆神经网络进行剩余寿命预测。使用Adam算法优化随机梯度下降算法,粒子群算法优化网络参数。分析剩余寿命预测起始点对预测结果的影响,以轴承健康状态等级作为剩余寿命预测起始点的选择依据。根据PRONOSTIA试验台数据集,实现对退化性失效和突发性失效两类轴承的剩余寿命预测。