滚动轴承作为机械装备的核心组成部分,其工作状态直接决定着设备整机性能,在机械工业产品的应用中有着不可替代的地位。对滚动轴承进行故障诊断和剩余寿命预测,既可以避免机械设备意外事故的发生,又可以为设备后期维修计划提供安全性与可靠性决策支持。如何有效地进行滚动轴承的故障诊断,预测滚动轴承剩余寿命对于机械设备健康管理具有十分重要的意义。本文在试验平台采集的原始振动信号的基础上,基于数据驱动的方法对滚动轴承故障诊断和剩余寿命预测方法展开研究,主要内容如下:(1)针对滚动轴承故障特征难以提取的问题,提出一种基于参数优化变分模态分解(Variational mode decomposition,VMD)的滚动轴承故障诊断方法。针对VMD分解算法的模态分量个数和惩罚因子这两个参数难以确定的问题,本文提出利用差分进化算法(Differential Evolution,DE)和网格搜索算法对两个参数进行优化。根据参数优化后的VMD分解算法对滚动轴承的仿真信号和实测信号进行了分析处理,从而证明该方法的可行性和有效性。(2)表征滚动轴承性能退化状态的特征的提取与剩余寿命预测模型的建立是展开滚动轴承剩余寿命预测的前提。以加速试验平台的轴承振动数据为研究对象,首先对原始振动信号进行了降噪处理,提取了信号时域特征、频域特征以及小波包能量特征;然后利用相关系数和互信息对特征进行了约简,形成预测模型的特征集;最后建立BP神经网络(Back propagation neural networks,BPNN)剩余寿命预测模型,采用粒子群算法优化BP神经网络权值和阈值,利用优化后的模型来预测测试轴承剩余寿命,同时对比了两种特征约简方法对剩余寿命预测结果的影响,证明了通过相关系数约简的特征更加有效。(3)为了准确预测滚动轴承剩余使用寿命,采用模糊综合评价法解决轴承退化状态难以划分的问题,并借助支持向量机在小样本数据分析方面具有的良好能力,以及差分进化方法高效的并行搜索信息的方式,提出了一种基于支持向量回归和差分进化算法混合的滚动轴承剩余寿命预测模型。该模型通过差分进化算法优化获得支持向量回归模型的最优参数,结合试验平台采集的加速寿命试验数据,验证了基于支持向量回归和差分进化算法结合的剩余寿命预测模型的可行性。