滚动轴承是现代工业旋转机械设备的核心部件之一,长时间在复杂恶劣的环境中工作,容易发生各种类型的故障从而引发安全隐患。如何从受到噪声干扰的信号中准确识别故障始发时刻,进行高精度的滚动轴承剩余使用寿命预测对于保障生命财产安全具有重大意义。针对滚动轴承寿命预测方法中难以准确识别故障始发时刻、存在对特征图的噪声干扰和处理长时间序列能力差的问题,提出了一种联合高精度故障始发时刻和改进型U-Net网络的滚动轴承寿命预测方法:计算小波降噪信号的二维功率谱,对每一时间段内的全频域功率谱进行积分并求得每一采样时间段的平均功率,联合平均功率绝对梯度值与3σ原则定位高精度故障始发时刻;改进传统U-Net网络,将网络中压缩路径和扩展路径之间的拼接操作替换为压缩路径中的残差连接,抑制了振动信号浅层特征中噪声对扩展路径输出特征图的干扰,将池化层引入扩展路径,提高了计算速度;在回归器中引入双向长短时记忆网络,增强了对时序信号的处理能力。实验结果表明所提确定故障始发时刻方法相较于RMS阈值法精度更高;所提寿命预测模型相较于现有三种常用的寿命预测模型具有更高的预测精度和更快的预测速度。针对跨工况条件下滚动轴承寿命预测模型泛化性能差的问题,提出了一种基于改进型U-Net网络与知识迁移的跨工况滚动轴承寿命预测方法。1)针对目标域只有少量标注数据的寿命预测问题,构建了集成改进型U-Net网络与参数迁移的寿命预测模型,通过采用固定预测模型的特定层,调优模型剩余层的参数迁移策略,实现少量标注数据下预测模型的参数迁移;2)针对目标域无标注数据的寿命预测问题,构建了集成改进型U-Net网络与特征迁移的寿命预测模型,将改进型U-Net网络划分为特征提取器、特征对齐器和回归器后,通过特征提取器提取源域和目标域数据的特征,使用Wasserstein距离作为损失函数以约束不同域特征的分布差异,从而实现无标注数据下预测模型的特征迁移。实验结果表明在跨工况条件下所提的两种迁移学习方案能有效提升模型的预测精度以及泛化能力。