滚动轴承是机械设备的重要零部件之一,滚动轴承运转性能是否正常直接影响整个机械设备的有效性及可靠性。相比于机械设备的其他部件,在不同的运转工况下有着巨大的差别,因此不同工况下轴承的寿命差别显著,不能只通过滚动轴承设计的寿命被动地来进行检查与维修。只有将滚动轴承的性能监测与故障诊断结合起来,才能准确地诊断轴承在不同运转状况下的故障类型,主动地、及时地了解滚动轴承的运转状况,提高滚动轴承服役管理以及最大程度的发挥滚动轴承的运转性能。因此,针对实际需求,本文主要开展了滚动轴承故障诊断和退化趋势预测两个方面的研究。在滚动轴承故障诊断研究方面,构建了基于时频分析与深度学习网络相结合的滚动轴承故障诊断及同轴多轴承故障定位诊断模型（SPWVD-DCNN）。首先,对常用时频分析方法进行了对比分析,最终选择平滑伪Wigner-Ville时频处理方法作为一维故障数据集的主要处理方法,使获得的二维时频图像既充分包含滚动轴承的故障信息,又能减小研究故障轴承定位问题时各个轴承之间信号的干扰。随后对深度卷积神经网络AlexNet进行训练,通过对比分析不同优化算法的训练迭代曲线和准确率最终选取Adam作为模型各层之间的优化算法,并且利用贝叶斯优化算法对3个参数进行联合优化,以提高模型的效率和准确率。在故障诊断模型的基础上,提出了二维特征图像进行拼接的方法,构建了包含整个轴系故障及位置的数据集,建立了同轴多轴承故障及定位诊断模型。最后,采用t-SNE将网络模型内部提取特征的过程进行可视化分析。在滚动轴承退化趋势预测研究方面,构建了滚动轴承深层退化特征与Bi-LSTM相结合的预测模型。在滚动轴承全寿命数据的基础上,通过对数据进行分析和降噪处理,得出时、频域共计12种特征参数。为了使特征参数集在包含更多趋势变化信息的同时尽可能的减小数据的冗杂,本文采用小波多尺度分解,提取可以表征各个参数特征趋势的低频近似信号作为深层退化特征集,通过PCA降维融合得到滚动轴承深层退化特征。以此深层退化特征划分训练集和测试集作为Bi-LSTM预测模型的输入,并与单向长短记忆网络LSTM预测模型进行了对比。搭建了滚动轴承故障实验台,对故障诊断模型以及退化趋势预测模型分别进行了实验验证。利用电火花和激光分别加工三种故障类型的轴承。通过数据采集装置获取三种故障类型轴承的振动数据集。通过所得数据集验证了本文滚动轴承故障及定位诊断模型的准确性和有效性,最终故障类型判别准确率达到了 1 00%,同轴多轴承故障定位诊断准确率达到了 99.3%。最后本文利用滚动轴承全寿命数据集验证所建立的基于深层退化特征与Bi-LSTM相结合的滚动轴承退化趋势预测模型的准确性和广泛适用性。