机械旋转部件作为一种不可缺少的传动装置,在现代工业生产中占据着重要地位。一旦其产生故障,不仅会降低生产效率,严重时甚至会造成灾难性的人员伤亡。因此,为了确保机械设备安全高效的运行,对旋转部件建立科学的维护策略十分重要。目前,机械旋转部件的故障维护策略已从最初的故障后维修,过渡到了基于设备状态的维护,并逐渐向智能化预见性维护即故障预测方向发展。相比传统针对已出现故障进行分类的方法,故障预测则是在故障失效发生前通过监测机械部件全寿命周期的退化过程,建立模型对其剩余使用寿命进行预测。因此,旋转部件的故障预测研究对于减少停机时间、提高生产效率有着极为重要的意义。针对现有故障预测研究在建立非线性退化跟踪方法、快速响应的初始故障预测模型、长期稳定的深度学习剩余寿命预测模型等方面的不足,本文以机械系统旋转部件为研究对象,以非线性相空间重构理论为基础,开展了旋转部件退化跟踪及寿命预测的研究。主要研究工作包含以下四个方面:(1)系统学习了基于Takens嵌入定理的非线性相空间重构理论,并针对相空间重构中的延迟时间和嵌入维数计算方法进行了详细研究。通过定性讨论和仿真实验结果表明,基于互信息熵与虚假邻近点的延迟嵌入相空间重构方法能够以原系统单变量时间序列重构等价相空间,并保留原系统相空间的基本结构及动力学特性。(2)研究了基于相空间重构的交叉递归分析方法,并通过搭建基于交叉递归的多参数轴承故障识别模型,详细分析该方法在不同工况、不同故障类别下提取的特征对故障严重程度描述的稳定性与灵敏度。通过对比实验表明,交叉递归分析方法相比于目前已应用于故障识别的传统递归分析方法,可以显著提高对早期故障检测的灵敏度和故障程度判定的稳定性。(3)提出了基于改进交叉递归定量分析的旋转部件退化跟踪方法。提取递归熵参数作为健康指标,建立退化趋势;针对传统交叉递归分析需要大量时间来计算重构相空间直径的缺陷,提出了基于数据离散程度分析的替代算法以减少时间消耗;利用温度信号作为辅助信息,提出了一种新的自适应健康状态划分方法,用以监测退化曲线上初始故障点的产生,同时利用非线性自回归神经网络对退化曲线进行多步向后预测,实现初始故障点的预测。对轴承振动信号的实验证明,改进的交叉递归分析方法可以减少90%以上的时间消耗;利用小波分析提取的故障特征频率验证了初始故障点的检测准确度。(4)提出了基于改进门控循环网络的机械旋转部件剩余寿命预测方法。采用改进交叉递归率和确定率形成的退化曲线作为模型输入,预测下一时刻的剩余使用寿命;综合考虑预测效果与不同网络结构对训练数据规模的要求,引入门控循环网络进行寿命预测,在减少网络参数的基础上维持较好的预测能力;引入惩罚因子改进用于网络训练的传统平方误差目标函数,使网络训练满足了提前预测风险小于滞后预测的现实意义。