滚动轴承在一些大型的高速旋转和重载荷机械当中扮演着重要的角色,其一旦出现故障将很有可能造成整个系统的瘫痪,从而导致延误生产或停产,严重的甚至会对人们的生命财产造成巨大的无法挽回的损失。故对滚动轴承的故障诊断和剩余寿命的预测是非常有必要的,本论文针对滚动轴承的故障诊断和剩余寿命的预测展开研究,其具体内容如下:(1)在对变模式分解(Variational Mode Decomposition,VMD)算法原理进行了阐述的基础上,通过滚动轴承外圈故障的仿真信号对变模式分解算法进行了探究验证,并与经验模态分解(Empirical Mode Decomposition,EMD)的分解结果进行了对比。为解决变模式分解算法参数的选择问题,提出了以包络稀疏性为目标函数的网格寻优算法。(2)针对变模态分解得到的分量,提出了熵值法筛选最优共振频带。首先提取了四个特征指标来作为筛选的依据,而后运用熵值法对四个特征指标赋予权值,计算每个变模态分解分量的信息效用熵的值,通过信息效用熵值的大小把最优的共振频带筛选出来。(3)因为轴承剩余寿命与轴承退化状态密切相关,为了准确预测剩余寿命,本文提出了一种运行状态划分方法,将轴承的整个生命周期分为平稳期、退化期和快速失效期(报废期),从而针对不同状态的轴承进行剩余寿命模型的建立。提出了通过滚动轴承故障信号的均方根,来划分滚动轴承的退化状态,把不同工况滚动轴承的退化过程划分成了不同的阶段(平稳期、退化期和报废期)。(4)根据不同滚动轴承的退化状态,提出了分阶段的滚动轴承剩余寿命预测。利用某一工况下采集得到的轴承全寿命数据对BP神经网络模型进行训练,为了验证所提算法的有效性,本文通过对相同工况下的测试轴承进行剩余寿命的预测。针对本文的不足之处,在论文的第六章展望中,对未来的工作做出了下一步的规划,以期在未来的学习中可以不断完善。