滚动轴承作为旋转机械设备中不可或缺的重要部件,通常工作在高速、高温、重载的恶劣环境下,滚动轴承故障发生及性能退化往往在整机故障中占大部分比例,甚至会导致整个设备停止运行,由此造成巨大的经济损失,轴承的故障识别与寿命预测直接决定了机械设备运行的可靠性。因此,对轴承进行状态监测以及故障诊断和预测至关重要,本文的主要内容包含以下几个方面:滚动轴承的故障特征通常会受到工况环境的影响,故障引起的特征变化难以与工况引起的特征变化分离开来,对此,本文提出了监督式自编码器(Supervised Auto-encoder,SAE)工况折算方法,该方法以有监督的方式将不同工况下特征值向参考工况下特征值序列投影映射,从而消除工况变化造成的故障特征值改变的干扰,实验结果表明,该方法能够较好的完成不同工况下的特征序列的折算,解决工况变化带来的故障特征的失真问题。针对传统的卷积神经网络全连接层维数过大,导致的计算负担大,过拟合及浅层信息未充分利用的问题,本文提出融合浅层信息简化卷积神经网络(Integrating Shallow Information Simplified Convolutional Neural Networks,ISIS-CNN)模型,将不同卷积核得到的特征向量通过完全卷积操作提取为一个特征值,并将其作为新的全连接层以降低数据维度和模型参量,于此同时,将浅层卷积核提取到的信息融入至新的全连接层,以提高分类器输入数据信息量。实验结果表明,ISIS-CNN在保证现有故障诊断准确率的前提下,其训练时间得到了有效压缩,提高了CNN的运算效率。在轴承故障趋势预测方面,本文将深度学习中用于处理时间序列的长短期记忆网络(Long Short Term Memory,LSTM)对标识轴承退化趋势的均方根特征值进行不同时间长度的预测,获取一定时间范围内故障发展趋势,以达到提前预警的目的,实验结果表明,对于中短期预测,效果较为理想,其预测失效时间点与实际失效时间相差不大。对于长期预测,由于时间步长较长,误差持续累积,局部预测效果不理想,但总体趋势效果与真实曲线保持一致。