科技进步及工业需求的日益发展,对现代复杂机械设备的可靠性提出更高要求。由于长期连续工作在高载荷、高转速下,旋转机械设备中的关键零部件——轴承,发生故障比例非常高。轴承的性能可由完好逐渐经历一系列不同退化直至完全失效。多数轴承服役寿命并不长,一旦运行时间超出服役寿命,其运行精度会急剧下降,进而导致机械设备无法正常工作。为确保机械设备安全、稳定、高效运行,开展轴承性能退化评估研究,预测机械设备未来运行趋势,及时维护,做到智能维修是十分必要的。在实际生产中,轴承与其他的机械零部件相比较,寿命离散程度较大,即使是同一批技术和工艺生产的轴承,运行使用的寿命也不尽相同。所以当使用一种新型零件,需预测其寿命时,可供使用的监测数据非常稀少,而获得大量监测数据所需成本高昂且获取周期较长。在这种情况下,性能退化评估及预测结果的准确性难以保证。实际上,随着大数据时代的到来,在旋转机械健康监测过程中,积累的各类监测数据越来越多。然而,由于轴承性能退化的特殊性,这些历史数据相关但却不相似,无法直接利用。鉴于此,本文提出基于流形距离的自适应迁移谱聚类算法(ATSC-MDK)的轴承性能退化评估方法,可以有效改善性能退化评估中存在的数据不足的问题。本文以滚动轴承为研究对象,首先对其振动信号进行预处理,综合多域特征指标,筛选出对性能状态转变敏感,可准确描述退化趋势的特征集,利用局部线性嵌入(LLE)方法降维,构造退化特征空间;其次,针对轴承数据特点,提出基于流形距离的自适应迁移谱聚类算法(ATSC-MDK),轴承样本常呈现非高斯分布,当没有全面考虑样本的邻域信息以及空间分布时,聚类时常出现错分问题,使用流形距离、共享近邻方法调整谱聚类的相似度矩阵,提高聚类准确度;引入迁移学习,利用源域知识指导目标域进行聚类,改善性能退化评估中数据样本不足的问题;最后,开展滚动轴承的性能退化评估研究。文中所提方法在标准的IEEE PHM 2012轴承全寿命数据集上进行了有效性验证。