随着数据分析和工业物联网技术的快速发展,基于数据驱动与物理系统模型相结合的设备故障预测与健康管理技术(PHM)受到青睐。可使设备由视情维修向状态监测和健康管理的转变,具有故障诊断与剩余寿命预测的能力。但目前滚动轴承的PHM系统大多仅依据大量状态数据进行分析,通过加强算法来提高健康管理能力,但却忽视了与轴承本身服役性能和失效机理的有机融合。因此,本文通过强化物理系统与数据驱动方法的结合,构建面向智能制造的PHM系统。首先,设计了滚动轴承PHM系统的功能体系,此系统可用于滚动轴承服役全寿命周期,具备初始阶段无历史数据情况下基于轴承物理模型的系统状态判断、服役过程中基于已有数据分析和轴承物理模型结合的实时状态管理、服役中后期基于状态分析和寿命发展模型的剩余寿命预测三大功能。通过输入轴承基本参数及工况参数可以对轴承进行温度求解、拟动力学计算以及故障特征频率求解,将分析结果与实时监测信号对比分析可进行轴承服役初期的状态判定;建立了基于滚动轴承的失效形式和故障症状的故障树,当轴承状态监测信号出现异常时,可根据故障树对轴承进行初步故障分析,并根据故障诊断知识库查找故障原因和改善措施。然后,根据润滑状态定义了轴承单点失效模型,界定了疲劳失效与磨损失效边界;根据疲劳发展模型与磨损发展模型,计算了疲劳裂纹和磨损量随时间的变化关系,并模拟了疲劳缺陷与磨损缺陷的振动特征响应。最后,通过粒子滤波方法,分别将疲劳发展模型和磨损发展模型与振动特征值结合建立状态空间模型,并通过BP神经网络建立了滚动轴承组合退化模型,综合以上模型,搭建了滚动轴承PHM系统的剩余寿命预测模块;结合网络已有的轴承全寿命振动数据进行了预处理和特征提取,并根据Fisher准则选择出了最优特征值;对轴承进行了疲劳退化分析、磨损退化分析和组合退化分析;基于C#语言与Matlab语言混编搭建了滚动轴承PHM平台,实现了滚动轴承的故障监测与状态管理。