作为旋转机械的重要零部件,滚动轴承的稳定运行和可靠工作对旋转机械工作的稳定性和可靠性有着重要意义。轴承也是旋转机械中故障频发的零部件,对其开展故障趋势诊断和剩余使用寿命预测,在避免重大生产事故、保障设备和人员安全、降低设备维护成本和提高企业管理水平等方面有着不可估量的作用。如何正确诊断轴承故障趋势,进而准确预测其剩余使用寿命仍是目前故障诊断学科的热点和难点。本文基于振动信号及其时域特征,利用时间序列模型和深度学习相关理论,对滚动轴承的性能退化趋势和剩余使用寿命进行预测。本文主要内容如下:首先,简单介绍了机械故障方法的总体框架,进而综述了国内外旋转机械故障预测技术的研究现状,并指出了基于数据驱动的方法在机械故障预测中的优势及其应用前景。其次,阐述了关于移动平均自回归模型(ARMA)的三种传统时间序列分析模型。这些时间序列模型只能处理单通道平稳时间序列。为了提高预测结果的精确度,本文第二章对非平稳时间序列进行差分处理后,构建了ARIMA—KF模型。利用智能维护系统(IMS)滚动轴承试验平台采集的振动数据,证明了所提方法提高了传统ARIMA模型的预测精度。再次,为了同时处理多个非平稳时间序列变量,本章提出了基于协整理论和向量误差修正模型的机械故障预测方法。建立向量误差修正模型,需要多个特征变量均具有非平稳特性,且具有协整关系。本章首先从振动信号中提取出三个时域特征,并对其非平稳性和协整关系进行验证,然后建立了向量误差修正模型,并对预测结果出现的原因进行了分析和阐述。通过与ARIMA—KF模型进行对比,说明向量误差修正模型在提高预测精度的同时也简化了建模过程。最后,利用卷积神经网络强大的特征提取能力,长短时记忆网络可“记住”序列数据较长时期内的依赖关系且能在一定程度上避免梯度消失或梯度爆炸的关系,本章构建了堆叠式卷积长短时记忆网络模型来预测轴承性能退化趋势。实验结果表明,与单一的卷积神经网络或长短时记忆网络相比,该方法提高了轴承性能退化趋势的预测精度。