风机的应用比较广泛,它是现代连续生产过程中的关键设备。由于风机转速高、负荷重,一旦发生故障,会危及附近设备和工作人员的安全。主轴承做为大型旋转机器的重要部件,被称为“工业的关节”,机械设备的运转与轴承健康状态息息相关。对轴承进行健康状态的监测是避免旋转设备出现故障损失和降低维护成本最优的策略。研究轴承的故障诊断及预测剩余使用寿命,对机器设备实时在线诊断可以大幅度降低由于设备故障问题造成的安全隐患。检修员可以通过在线监测来判断机器设备发生的故障以及严重程度,便于提前采取相应的措施处理问题,以最大程度的降低风险成本。研究轴承退化机理和寿命预测具有重要的理论和现实意义。针对轴承故障诊断存在的准确率低、模型泛化能力弱、识别故障种类少等问题,提出基于小波频率带剖分和多层次聚类的方法。先对轴承数据进行预处理,然后提取振动信号的时频域特征组成特征参数集,经主成分分析法降低数据维度,由多层次聚类系统进行故障类型的判别。经实验验证,该系统的识别准确率达99.3%,模型的泛化能力较强而且比较稳定。主要创新点是改进了小波包方法,提高对信号频率的剖分能力;提出多层次聚类算法,增强了聚类算法处理数据量的能力。针对轴承剩余寿命预测存在的特征提取能力不强、预测误差大等问题,提出基于res-DD和GRU融合网络的预测模型。将导入的轴承监测数据进行时域频域特征的提取,组成的参数集被输入到神经网络模型中训练,模型获取最优的网络参数信息,使用最优模型输出健康因子,最终通过线性回归计算剩余使用寿命值。经实验验证,该系统具有较高的鲁棒性。主要创新点是将DD网络引入RUL预测网络模型中并进行优化,提高了模型的预测能力。最后,通过设计用户交互界面,将程序模块化、可视化,有效地降低程序的操作难度,拓展了程序的适用人群,设计应用软件系统具有一定的工程实际意义。