科技的发展速度已经远远超出我们人类的想象,“大数据”时代悄然而至,我们周边每天都产生上亿级的数据,这些数据蕴含着众多的信息,合理使用这些信息可以帮助人们更加清楚了解数据中的内在联系。滚动轴承作为众多机械设备中的关键零件之一,该零件常常处在工况复杂、高强度、高负荷的工作条件下,一旦发生故障,其他零件将发生连锁反应,最后导致机械设备全盘崩溃,损失和危害是极其严重。利用数据驱动方法处理滚动轴承振动信号逐渐取代单纯研究信号处理知识和原理,采用人工智能算法合理提取振动信号的特征进行滚动轴承故障识别和寿命预测已经取得了不菲的成绩。近年来,人工智能、深度学习发展态势井喷,故本文提出利用卷积神经网络和灰色模型对轴承进行健康评估及预测研究。本文工作重点如下:(1)在滚动轴承故障识别中,为了避免人为干扰提取特征,采用卷积神经网络直接对滚动轴承振动信号进行故障诊断与智能识别实现了端到端的过程。针对普通卷积神经网络全连接层参数过多会造成网络收敛速度慢、效果不佳等问题,提出了信息平均卷积神经网络(Convolutional Neural Networks of Average Information,AICNN),该网络是将全连接层用均值池化层替代,不仅可以最大保留前面卷积层和池化层提取的信号特征,还能降低网络参数数量,最后采用凯斯西储大学轴承故障数据验证了该算法的可靠性。即使在小样本训练集中也可以获得较高的识别准确率,在后期训练集增加的情况下,准确率不断提升且多次测试结果稳定,在多工况的复杂振动信号下,依然可以排除工况的因素实现了很高的识别率同时验证了该算法在噪声干扰情况下依然具有普适性。(2)在滚动轴承状态特征曲线提取中,针对以往健康指数HI构建需要大量的特征提取、特征筛选和特征融合的复杂计算和人为干扰等问题,将常用于智能识别和图像分类的卷积神经网络进行结构改进形成回归卷积神经网络(Regression convolutional neural network,RCNN),直接将卷积神经网络的Softmax分类层去掉,再使用三层全连接层进行训练轴承模型构建,将测试轴承通过训练好的模型得到状态特征曲线,利用状态特征曲线量化评估方法在不同的训练模型提取出最具代表性的状态特征曲线,该方法可以有效表征状态特征曲线的单调性与敏感性,最终合理提取滚动轴承全寿命的状态特征曲线。(3)在滚动轴承寿命预测中,提出利用近邻传播算法(Affinity Propagation,AP)对所有测试轴承的状态特征曲线进行无监督的聚类,在不需提前设置类别数,将具有相同退化形态的状态特征曲线聚为一类。灰色模型常用于工业、农业及交通等领域的预测方面,本文首次将全阶时间幂灰色预测模型(the Gray Forecasting Model with Full Order Time Power terms,FOTP-GM)应用于滚动轴承寿命预测中,在合理设定失效阈值的前提下,对所有测试轴承进行了自身后续寿命的预测,结果表明该方法具有一定的预测效果,效果相对于其他研究学者有了一定的提升。