近年来随着滚动轴承的应用领域不断增多,其已是各种复杂机械设备不可或缺的标准化零部件。工程上对滚动轴承运行的平稳性和安全性提出了更高的要求。滚动轴承长期工作在复杂环境中,容易遭受外界的载荷冲击,极易在运行的过程中发生故障,继而危害机械设备寿命甚至人身财产安全。因此,对滚动轴承进行故障诊断与剩余寿命预测是非常有意义的。传统的对滚动轴承进行故障诊断和寿命预测分析主要是信号处理,手工提取信号特征,这对算法的性能要求较高,非常依赖专家学者的经验与专业水平,给健康状态分析工作带来了较大的困难。针对以上问题,本文对滚动轴承进行健康状态分析主要是考虑到两个方面。第一个是滚动轴承故障诊断,第二个是滚动轴承的寿命预测。本文对于滚动轴承的故障诊断,设计了一种基于残差网络的门控循环网络结构,通过此算法可以减少时序信息的丢失及解决由于网络较深造成网络性能下降的问题。该方法对采集的轴承振动信号利用卷积神经网络强大的特征提取能力来提取信息,为了不丢失时序信息再将提取到的信息依次输入GRU网络中,最后通过一个残差模块,解决神经网络深度较深的问题。该模型包含了2个CNN层、2个GRU层、1个残差块、1个输出层。试验结果表明该方法可以一次性诊断多种轴承的不同位置和不同尺寸的故障,且在相同条件下的故障诊断分类结果与CNN、CNN-GRU等深度学习网络相比,本文构建的算法具有更高的故障识别准确度和稳定性。对于滚动轴承的剩余寿命预测,首先分析Transformer精妙的网络结构,研究了多头注意力机制的整体流程。设计了一种自适应Transformer网络,该方法同样利用CNN对采集的轴承振动信号提取信息,然后输入自适应位置编码模块,保留振动信号的时序信息。再将提取到的信息输入Transformer的编码网络中,最后通过全连接层,得到输出。该模型包含了2个CNN层、1个位置编码层、1个Transformer的编码层、2个全连接隐含层、1个输出层。试验结果表明该方法可以有效对滚动轴承剩余寿命进行预测,且在相同条件下的预测结果与CNN、CNN-LSTM等深度学习网络相比,本文算法具有更高的稳定性。为了提升使用算法的效率,本文开发了滚动轴承的故障诊断和寿命预测研究系统,将本文的算法集成到系统界面里,对实际使用来说更加方便快捷。