随着现代工业水平的飞速提高,机械设备逐步向智能化的方向发展。目前为了满足生产要求,生产压力逐渐增大,但机械设备的工作环境恶劣多变,在工作的过程中设备会逐渐老化,剩余使用寿命会不断减少。一旦出现故障,就会造成不可估量的损失。滚动轴承作为机械设备中重要的传动零件,因此对其进行性能退化评估至关重要。近年来,光纤布拉格光栅(Fiber Bragg Grating,FBG)因其独特的传感特性及材料优势,将其应用于传动零件性能退化领域是当前的研究热点。利用FBG搭建滚动轴承检测系统,跟传统的振动传感器相比,具有更高的灵敏度和可实施性。因此设计一种基于FBG传感器的轴承故障诊断与性能退化评估系统对于FBG在该领域内的研究意义重大。针对传统滚动轴承故障诊断方法易受环境干扰、识别精度差等问题,提出了一种改进卷积神经网络的滚动轴承复合故障诊断方法。首先,通过FBG滚动轴承检测平台获取不同故障的轴承振动信号,利用经验模态分解(Empirical Made Decomposition,EMD)算法对信号进行分解,并采用Pearson相关系数与峭度值所组成的综合指标筛选有用的本征模态函数(Intrinsic Mode Function,IMF)分量,以保证分量信号与原始信号的相关性。接下来利用IMF分量的结构特性,将分量以采样点的形式展开,提取每个采样点的幅值,组成二维矩阵的形式,并输入至卷积神经网络(Convolutional Neural Networks,CNN)进行特征提取,经过卷积层、池化层后输出高维矢量,再利用解耦分类算法对轴承的单个故障、复合故障进行分类识别。针对目前滚动轴承性能退化预测方法准确率低的问题,提出了一种经验模态分解与支持向量数据描述(Support Vector Data Description,SVDD)的滚动轴承性能退化预测方法。该方法首先获取滚动轴承的全寿命数据样本,利用EMD算法分解数据,筛选有用IMF分量,提取各种指标作为特征,并组成特征向量输入至SVDD进行训练,并通过求出各个时间段的样本与初始样本之间的欧氏距离,并以此来评估轴承的退化性能。通过搭建FBG滚动轴承检测实验平台来验证上述方法的有效性,实验结果表明,所提方法能有效识别正常、外圈故障、内圈故障、滚体故障以及复合故障类型,识别准确率在90%以上。并用上述滚动轴承性能退化预测方法来验证FBG滚动轴承检测实验平台中的轴承寿命。结果表明,该方法可以成功地检测轴承的退化过程,并能有效地预测剩余使用寿命。