滚动轴承作为旋转机械的关键部件之一,其健康状态直接影响到整台设备的运行。准确预测滚动轴承的寿命退化趋势,可为设备维护提供有价值的状态信息和足够的响应时间,对保障设备的正常运转和降低滚动轴承的维护成本具有重大意义。为了充分挖掘滚动轴承原始振动信号所蕴含的深层特征信息,自主构建性能退化指标,对滚动轴承剩余寿命进行预测。论文提出一种基于深层迭代特征(DIF)级联Cat Boost(Cas Cat Boost)的滚动轴承剩余寿命预测新方法,该方法是一种改进的新型深度森林算法,分别对深度森林中的特征提取部分和剩余寿命预测模型部分加以改进。特征提取方面,针对深度森林中的多粒度扫描结构内存消耗较大的问题,将多粒度扫描结构替换为卷积神经网络(CNN)。对由快速傅里叶变换得到的滚动轴承频域特征进行迭代计算得到迭代特征(IF)。利用CNN具有卷积、权值共享的特性,对IF进一步提取其深层特征并获得DIF,构建性能退化特征集。剩余寿命预测方面,针对单一模型预测精度不高,深度森林中的级联森林结构运算效率较低的问题,将级联森林结构替换为Cas Cat Boost。利用Cat Boost泛化能力强,可实现GPU并行加速的特性,引入确定系数对其进行级联,构建Cas Cat Boost以提高模型的运算速度和表征能力。将DIF性能退化特征集作为模型的输入,采用相邻级联层的确定系数差值作为级联扩展准则,实现模型的自适应扩展。选取模型最后一个级联层的平均寿命百分比p表示输出。运用一次函数对轴承数据的当前寿命百分比进行拟合,预测出未来各点寿命趋势,得到轴承的剩余寿命。实验结果表明,所提方法具有较高的运算效率和预测精度。