轴承作为旋转机械的核心组件,其健康状态严重影响着系统的整体性能。如何对轴承健康状态进行准确评估是进行设备主动维修的关键,而剩余使用寿命预测作为故障预测与健康管理中的关键步骤,能够直接反应轴承剩余的有效运行时间。根据预测的轴承剩余使用寿命可以采取相应的措施以避免因轴承失效而导致设备故障,进而提高设备的正常运行时间。本文提出的轴承剩余使用寿命预测方案主要由两部分构成:初始故障监测和剩余使用寿命预测。当实时监测系统检测到初始故障后,开始实时预测剩余使用寿命。本文以时域和频域角度对轴承振动信号的频率分布进行了探讨,认为对振动信号实施低通滤波处理是非常有必要的。从低通滤波后的振动信号中提取的最大绝对值被作为退化指标用于初始故障监测,通过改进的自适应限幅均值滤波方法抑制退化指标的离群点以提高系统对初始故障检测的有效性和可靠性。自适应滤波前的平稳阶段退化指标被用于初始故障阈值计算,滤波后的退化指标被用于初始故障监测。基于经验知识提取不同域的退化特征,并采用单调性和相关性指标衡量特征的重要性程度以进行特征选择。剩余使用寿命预测由健康因子预测和剩余使用寿命估计构成。为了提取特征和时间层面的信息,一个融合特征自注意力机制和卷积神经网络的健康因子预测模型被提出,并采用反归一化方法实现健康因子到剩余使用寿命的非线性映射。本文使用PHM 2012的轴承数据集对剩余使用寿命预测方案进行了验证,实验结果表明初始故障点能够被本文方法提前有效检测,同时剩余使用寿命预测结果在测试集上都具有很小的误差。为了进一步验证预测方法的有效性,与循环神经网络模型以及其它先进方法进行了对比,本文方法在轴承剩余使用寿命的预测上具有最小的均方根误差。此外,还验证了低通滤波对预测结果的影响,实验表明对振动信号实施低通滤波处理能够提高模型预测的准确性。