剩余寿命预测是保障产品使用安全、提高设备使用经济性的重要手段,滚动轴承作为机械设备的重要零部件,开展其剩余寿命预测研究具有重要的现实意义。然而滚动轴承寿命受制造工艺、材料一致性、运行工况条件等的耦合影响,导致其在使用中出现较大的个体差异性,这为寿命预测带来了困难。特别是在较小的产品全生命周期数据样本集条件下,通过机器学习来准确预测样本外同型号产品个体的使用寿命,是一个研究挑战。针对以上问题,本文首先基于现有的人工特征提取方法提出了基于时频域特征融合滚动轴承剩余寿命预测方法;然后为了减轻对专家知识和经验的依赖,采用深度学习方法,提出了基于全卷积神经网络的滚动轴承剩余寿命预测方法;最后为了进一步提高预测方法的泛化能力,提出了基于全卷积变分自编码网络的滚动轴承寿命预测方法。论文主要研究成果如下:(1)提出了一种基于时频域特征融合的滚动轴承剩余寿命预测方法。该方法首先用EEMD分解提取多种时频域特征,然后利用核主成分分析对提取的特征进行融合得到一维剩余寿命预测性能指标,并基于该性能指标建立支持向量回归剩余寿命预测模型。通过设计一种滚动轴承剩余寿命百分比标签制定方法,解决了不同寿命轴承的数据标签问题,同时设计了一种滚动轴承剩余寿命预测结果的加权平滑方法,有效提高了预测结果的稳定性。通过实例验证了方法的可行性。(2)提出了一种全卷积神经网络模型用于从振动信号直接到剩余寿命的预测。该方法利用深度网络的非线性拟合能力实现“端对端”预测,免去人工提取特征环节从而减轻对专家知识和经验的依赖。由于本文面临的具体问题是一个小样本问题,该方法通过改进卷积神经网络更适应小样本的情况,提高了模型的预测精度,并通过实例验证了本文方法有效降低了预测误差。(3)提出了一种全卷积变分自编码网络滚动轴承剩余寿命预测方法。该方法从频域信号中提取更具泛化能力的特征,而频域信号的有序特性可以克服原始振动信号时移特性对自编码网络的不利影响,然后基于全卷积思想改进变分自编码网络以适应小样本数据集,最终提高了预测方法在面对不同轴承个体时的泛化能力,取得了更高的综合预测精度,并通过实例进行了验证。(4)基于以上研究成果,开发了一套滚动轴承剩余寿命预测软件系统,该系统可基于采集数据在线预测滚动轴承剩余寿命。