滚动轴承作为旋转机械设备的重要部件之一,其健康状态的优劣程度严重影响到机械设备的安全平稳运行。同时,大多机械设备在运行过程中无法进行频繁停机及拆机检修,因此轴承的损伤程度不能被维修人员及时发觉。在实际运行过程中,机械系统由于内部轴承早期故障而引起的轻微变化往往会被忽略,从而导致轴承健康状况不断退化。一旦滚动轴承发生出现损伤,会加速其他相邻部件和机器的过早报废,甚至会导致安全事故的发生。因此,实时准确地跟踪滚动轴承运行状态的变化趋势,正确判断当前轴承所处阶段,预测早期故障的退化趋势及剩余使用寿命,已经成为保证机械设备安全平稳运行的一个前提。本文在国家重点研发计划和国家自然科学基金的支持下,开展了微分符号熵在滚动轴承退化状态识别与寿命预测中的应用,主要研究内容和创新性成果如下:（1）针对滚动轴承在表征退化状态困难的问题,研究了基于非线性动力学熵的轴承性能退化指标构建方法。首先,提出了微分符号熵（Differential Symbolic Entropy,简称DSE）,并通过仿真信号分析,研究了参数对其计算结果的影响。其次,通过实验验证,将其与近似熵、样本熵、模糊熵、散布熵等进行了对比,结果验证了微分符号熵在表征滚动轴承运行状态方面的优越性。最后,通过对原始振动信号进行功率谱分析,表明了微分符号熵在检测轴承运行阶段方面的准确性。（2）针对DSE提取滚动轴承的状态退化特征不充分的问题,提出了多尺度微分符号熵算法。同时,为了避免多尺度化带来的高维和信息冗余缺点,结合拉普拉斯降维流形学习方法进行降维。最后,在退化趋势预测方面,基于长短时记忆神经网络（Long Short-Term Memory,简称LSTM）提出短期静态预测和长期动态预测两种方法。实验表明,与多尺度样本熵和多尺度模糊熵相比,多尺度微分符号熵在表征轴承全寿命运行趋势时表现出更好的一致性与单调性。（3）针对单通道分析方法容易受到低信噪比信号的影响、无法提取足够退化特征等问题,提出多元多尺度微分符号熵算法。多元方法可以通过嵌入融合的方式从多通道振动信号中提取出更加充分的退化特征,相比于单通道分析手段,该方法综合考虑了不同采样通道之间的相关性。通过仿真信号分析,验证了该方法提取出的退化特征比单通道特征具有更好的稳定性。（4）针对预测模型易受低相关退化特征分量的影响、预测精度不足的问题,引入注意力机制理论,并将其嵌入到长短时记忆网络中。通过注意力机制完成对退化特征集的加权,将经过加权的退化特征集作为寿命预测模型的输入,最终得到基于注意力机制的LSTM预测模型。通过与网格搜索优化支持向量回归（Grid Search Support Vector Regression,简称GS-SVR）、粒子群优化极限学习机（Particle Swarm Optimization Extreme learning machine,简称PSO-ELM）以及LSTM方法进行对比,结果表明,经过特征加权,轴承退化特征集能够有效避免低相关退化特征分量的影响,提高了LSTM的预测精度。综上,本文重点研究了微分符号熵在滚动轴承健康指标构建、退化趋势预测以及剩余使用寿命预测方面的应用,研究为旋转机械系统关键部件的性能退化跟踪和剩余寿命预测方法提供了新的手段。