轴承是工业设备的重要连接部件,一直以来,滚动轴承都是设备故障状态的热门研究对象。研究滚动轴承的剩余寿命有助于提高机械设备的使用寿命,提前制定合理的故障维护措施,大大的降低轴承故障给企业带来的经济损失和意外伤害。本论文分别采用最小二乘支持向量机(Least Squares Support Vector Machine,以下简称LS-SVM)回归预测模型进行全寿命滚动轴承的剩余寿命预测,以马氏距离与核主成分分析融合得到的特征作为研究对象,经过预测结果对比,核主成分分析融合的特征预测效果更好。在信号分析与处理中,需要对采集的数据进行预处理。在本论文中,我们采用改进的基于提升小波变换(Lifting Wavelet Transform,LWT)方法进行滚动轴承振动信号的降噪处理。首先,对全寿命数据进行提升小波分析得到分解后的小波系数,然后对小波系数进行提升小波逆变换得到重构之后的信号,通过计算信号的重构分量与原信号的相关系数(Correlation Coefficient,CC),对小于设定阈值的小波系数置零,最后再使用处理后的小波系数进行提升小波重构以完成消噪处理。经过预处理的数据需要进行特征提取,研究选用时域特征、频域特征和小波特征作为表征信号特性的参数。在模型建立之前,需要利用提取得到的信号特征构造模型的输入特征参数。第四章使用马氏距离(Mahalanobis Distance,MD)与核主成分分析(Kernel Principal Component Analysis,KPCA)的方法进行特征参数的融合,得到两组不同的信号特征,即分别为单参数特征和多参数特征。第五章主要是研究LS-SVM模型的建立和滚动轴承剩余寿命的预测。选择径向基函数作为模型的核函数,通过参数优化得到预测效果更好的惩罚因子与核函数参数,进而得到LS-SVM的模型。论文最后利用LS-SVM模型对单参数输入与多参数输入的滚动轴承的剩余寿命进行预测。试验研究结果表明,基于核主成分分析(KPCA)原理进行特征融合得到的多参数输入的LS-SVM模型的寿命预测效果更好,精度更高,其在实际工程应用和科学研究中具有更重大的意义。