滚动轴承是航空发动机旋转机械部件的重要组成部分,由于其在运行过程中受到内部载荷和恶劣环境的影响,易出现故障,严重影响航空装备的可靠性和安全性。为了减少故障的发生以及优化维修机制,对航空发动机滚动轴承进行故障诊断、退化状态识别和剩余寿命预测的研究尤为重要。本文在以下方面做了研究:对振动信号这一状态监测信息进行分析与处理,应用EMD-SVD和模糊神经网络的方法对滚动轴承进行故障诊断。首先对不同退化状态下的振动信号进行经验模态分解(Empirical Mode Decomposition,EMD),得到一系列本征模态函数(Intrinsic Mode Functions,IMF)。然后,利用关键模态分量组建初始故障特征矩阵,并对其进行奇异值分解(Singular Value Decomposition,SVD)。最后,将分解后的奇异值矩阵输入模糊神经网络(Fuzzy Neural Network,FNN)进行学习与训练,输出结果用来表征滚动轴承的退化程度。通过对输出结果进行归一化处理,以此来建立滚动轴承的性能退化曲线。本文介绍了隐马尔可夫模型(Hidden Markov Model,HMM)的相关概念和基本算法。针对提取到的特征向量具有连续、多维的特点,应用连续隐马尔可夫模型(Continuous Hidden Markov Model,CHMM)对不同退化时期的振动信号进行建模。并用训练好的模型对测试样本集进行退化状态识别。通过与BP神经网络对比,证明了HMM模型在识别滚动轴承的退化状态方面具有更高的精确度和稳定性。针对传统时间序列模型处理非线性空间预测问题能力差的特点,本文提出了一种基于BP神经网络与ARIMA组合模型的剩余寿命预测方法。首先应用ARIMA模型预测滚动轴承的线性主体退化趋势,然后应用BP神经网络对非线性残差进行预测,最后将两种模型的预测结果进行整合,实现滚动轴承全寿命周期性能退化指标的预测。在滚动轴承退化状态识别的基础上,分别应用ARIMA模型和组合模型对滚动轴承进行不同退化时期的剩余寿命预测。两种模型的对比结果表明,组合模型的预测效果优于单一模型。