随着国家工业现代化的迅猛发展,工业系统运行的安全性与可靠性也显得愈发重要。轴承是旋转机械的重要组成部分,广泛应用于旋转部件与固定部件之间的连接。由于轴承的工作环境及运行状态极其复杂,导致其极易受损,进而影响整个旋转机械的运行,例如航空发动机轴承故障便是造成飞行事故的主要来源之一。轴承的故障预测技术可为预防性维修提供理论指导,保证了提前为故障维修制定良好的方案,从而对提高整个旋转机械的运行周期具有重要的现实意义和经济价值。论文创新性地提出了一种新的混合数据驱动算法(GM-RVM-CEEMD)和一种改进的相关向量机(KPCA-ACS-RVM)算法。具体工作内容如下:首先,简述了研究相关向量机(Relevance Vector Machine,RVM)涉及到的基本知识;指出了经典RVM算法存在的两个急切需要解决的问题:长周期预测准确性迅速下降和模型泛化能力差。其次,面向工程应用需求,深入研究相关向量机算法,针对其长周期预测精度迅速下降的问题,提出了将RVM与长周期预测性能良好的灰色模型(Grey Model,GM)算法进行融合。由于RVM与GM的融合基于误差矫正原理,为了使二者的耦合更加紧密,采用互补集总经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)对GM算法预测误差进行重构,并将重构误差应用于RVM建模,最终通过RVM预测输出实现了对GM预测误差的矫正。针对预测模型不能实现在线更新问题,本文采用动态滑窗技术不断对模型进行更新,使预测过程中模型始终保持较好的匹配性能,提高了GM-RVM-CEEMD算法针对长周期预测问题的适用性。然后,通过深入分析轴承振动数据特点,针对单一时域或者频域的特征参数很难全面反映轴承全寿命退化规律的问题,采用核主成分分析(Kernel Principal Component Analysis,KPCA)对轴承振动信号的多个时、频域特征进行融合,构建了一种新的轴承故障特征提取方法,并以此作为轴承健康状态监控量用于故障预测。同时通过深入研究相关向量机算法机理,针对经典相关向量机算法泛化能力差的问题进行了两点改进:首先针单一核函数无法兼顾局部学习能力和全局泛化能力,将全局和局部核函数有机组合,构建了一种新的组合核函数;其次针对核参数的选择对预测精度影响显著的问题,采用自适应布谷鸟搜索(Adaptive Cuckoo Search,ACS)算法对组合核函数的参数进行全局寻优,构建了一套基于自适应布谷鸟搜索算法寻优的组合核相关向量机算法。最后,通过真实的轴承加速退化实验平台进行了算法性能验证。通过与不同算法的预测结果进行对比,发现所提出算法的预测性能相较于对比算法均有所改善,实验结果证明了所提出改进算法的有效性。