为保障机械设备安全运转,须尽可能地对其主要部件进行状态监测和寿命预测,知悉滚动轴承的运行与故障信息在某种程度上是实现设备健康可靠的重要环节,如果能够通过对轴承故障信息进行分析,使用相关方法预测到滚动轴承剩余使用寿命（RUL）,可以给预防性检修决策带来参考价值,从而制订适当的检修方案,避免安全事故。由于滚动轴承运行过程中包含的振动信号可以凸显轴承的状态信息,因此非常适合通过振动信号对相关特征信息进行采集的办法来开展RUL的研究。借助这种方式,实现对轴承部件提前开展有效维护的行动,以此来防止发生轴承失效的情况。本文通过探究轴承预测的有关方法,对本文所实践的对象滚动轴承开展研究,本文的研究内容如下:1.本文从滚动轴承的运行状态与剩余使用寿命预测应用方面入手,首先阐述滚动轴承的结构特征以及类别,论述了利用振动传感器采集轴承的相关信号,对其剩余使用寿命实行预测的可行性与必要性。又分析了滚动轴承振动信号的特征,跟着给出基于时域特征、频域特征与时频域特征三个方面的滚动轴承振动信号的特征提取方法2.根据从滚动轴承采集的振动信号,从时域特征、频域特征和时频域特征三个方面开展特征提取,由主成分分析方法（PCA）来得到表征轴承退化特征的各个主元,再由各个主元对轴承退化趋势的敏感程度不同,对用PCA取得的主元采取特征筛选,从中筛选更能捕捉轴承退化状态信号的前两个主元特征,作为最后的退化特征集,以此为基础来开展下一步的建模步骤。接着利用基于卷积神经网络（CNN）的方法来构建滚动轴承退化模型,以此来建立CNN模型,通过CNN模型可以获得轴承的寿命退化曲线。3.为了充分利用卷积神经网络具有空间池化、局部连接、权值共享的特点和具有提取局部深层特征相关信息的能力,对轴承的频域幅值特征进行深层挖掘,使特征得到降维,又利用长短期记忆网络（LSTM）处理时间序列的优势,运用LSTM网络的轴承退化状态建模方法组建LSTM模型,对滚动轴承的寿命进行预测继而获得寿命退化曲线。4.最终对轴承寿命退化曲线的退化值采取双指数拟合方法来预测轴承的剩余使用寿命。通过上述两种模型在公开数据集上开展了验证过程,从结果表明,两种模型的预测结果都能较为准确的逼近真实寿命值,且第四章构建的模型预测精度好于第三章构建的模型,另外和基于循环神经网络的寿命预测方法结果作对比,本文的两种模型预测精度更优,证明了本文所构建的两种模型对轴承剩余使用寿命预测的有效性。