滚动轴承作为旋转机械的基础设备,其在运行中的状态会对机械系统运作产生影响。对滚动轴承的健康状态管理,实现滚动轴承的故障诊断以及剩余寿命预测,是整个机械系统的健康运行的保证。对于滚动轴承的剩余寿命预测,传统使用的预测方法经过处理信号单一域上的特征,结合单一机器学习算法建模有很大限制。对于滚动轴承的故障诊断,传统机器学习方法建模很难达到稳定的较高准确率。针对滚动轴承寿命预测以及故障诊断建模存在的局限性,本文的主要研究工作如下:1.针对轴承寿命预测传统机器学习算法建模局限性问题,本文提出了两个解决方案:方案一,把轴承整个退化性失效过程划分为三个阶段来研究,分别为平稳退化期、快速退化期、快速失效期,通过阶段划分更能凸显出轴承在各个阶段的特征;方案二,从三个方面对粒子群算法改进,并建立改进的粒子群优化支持向量机轴承寿命预测模型。本研究先把振动信号经过小波包降噪,再提取时域与频域特征并使用主成分分析法降维,再通过对建立的传统粒子群、改进粒子群优化支持向量机轴承寿命预测模型,分别在划分的三个阶段中的输出比对分析,能够表明本文针对轴承寿命预测提出的解决方案的有效性。2.针对轴承故障诊断传统机器学习算法建模局限性问题,本文提出了基于贝叶斯优化卷积神经网络轴承故障诊断模型。将振动信号转换成时频图,通过对卷积神经网络过拟合模型、卷积神经网络拟合过慢模型以及建立的贝叶斯优化卷积神经网络超参数模型,三种模型的准确率、损失函数等输出比对分析,能够表明本文提出的基于贝叶斯优化卷积神经网络轴承故障诊断模型的优越性,故障诊断准确率明显提高,准确率达到99.84%。