滚动轴承被广泛应用于众多机械设备中,作为关键的承载部件,长期处在复杂、恶劣的工作环境中,因此具有故障率高,易损坏的特点,是机械故障的主要源头,因此掌握滚动轴承的性能退化评估与剩余使用寿命预测技术成为了当今工业界的迫切需求。传统的可靠性分析方法和维修策略已经不能满足装备需求。因此,基于在线监测的故障预测和寿命预测分析方法应运而生,它可以在故障发生前为维修提供依据和决策,将很大程度地减少灾难性事故的发生。本文以滚动轴承作为研究对象,就轴承的退化机理分析、振动特征提取、轴承的性能退化评估与剩余使用寿命预测这四个方面展开了深入的研究。本论文的主要研究内容如下:本文首先对轴承故障机理进行了分析,并对轴承系统进行了故障树(Failure Tree Analysis,FTA)定性分析,从而针对性地指出了故障影响程度最高的几类故障模式和结构重要度最大的几种失效原因,为轴承的可靠性优化设计提供依据。然后,本文深入地阐述了主轴轴承故障的可测性,即将其振动机理和故障特征建立起了联系,将主轴轴承故障预测的关键问题转化为基于振动信号的故障特征提取问题。在介绍了振动信号分析与多域特征提取的常规方法后,为了准确地提取和识别主轴轴承的早期故障特征,本文采用了一种基于经验模态分解和希尔伯特变换的特征提取方法。对不同状态下的的振动信号进行EMD分解,得到各阶包含故障特征信息的IMF分量,分析不同轴承故障时的模态分量共同点,进而实现以数值的形式对不同状态的主轴轴承的健康状态进行识别。在此基础上,将模态分解的能量均方根值归一化为健康指数(Health Index,HI),实现了以测试样本到无故障样本之间的距离来描述轴承的性能退化状态,并利用时间序列预测的优势,根据历史时间序列建立自回归滑动平均(Autoregressive Moving Average,ARMA)模型,建立起了主轴轴承性能退化的预测曲线,拟合度可以达到96%。最后,本文利用隐马尔科夫模型,结合上述方法研究,开发出了滚动轴承性能退化与寿命预测系统。经试验分析验证,本文所阐述的方法能够准确、稳定地提取并识别出主轴轴承的早期故障特征,进一步提高了故障诊断的精度,同时为同类型轴承的视情维修提供依据。