滚动轴承是旋转机械中不可缺少的部件之一,其主要作用为支撑机械旋转体,降低旋转运动中的摩擦系数,并且保证其回转精度。然而在长期运行过程中,由于初始装配不当,制造不精确或者润滑不充分等原因,滚动轴承的缺陷和磨损是不可避免的。如何对滚动轴承可能发生的故障和剩余的使用寿命进行准确识别这一话题,几十年来吸引了国内外的大量学者对其进行研究,由于发生缺陷或损伤部分影响旋转系统其它部件并产生相对应的振幅调制振动,因此包络分析和解调技术被广泛应用于旋转机械的故障诊断。然而在实际的工况中,单一通道的数据并不能全面反映信号的特征,全矢谱技术采用同源双通道信息融合技术,可以更加全面的显示出旋转设备振动的特征信息,有效避免了单通道数据不能全面反映振动信息的缺点。为了克服EMD算法的模态混叠问题,以EMD算法为基础,研究发展出EEMD算法,并在处理信号噪声方向得到广泛的应用。综上所述,根据EEMD算法与全矢谱技术各自的优势,提出了一种EEMD与全矢谱结合来提取故障特征信息,并且利用HMM进行滚动轴承故障识别的新方法,并利用取得的实验数据验证了该方法的有效性。工况是指设备运行时所处的操作条件,环境条件等。在实际的运行情况中,不同的同种设备不可能处于完全相同的工作环境,然而不同的工作环境和机器的运行状态会对设备的磨损退化状态有着显著的影响。针对不同信号特征指标对滚动轴承剩余寿命反映能力的不同,本文对轴承的振动信号用全矢谱方法和全矢EEMD方法进行融合重构,对可以反映故障退化情况的几种典型的退化指标进行分析比较,选出相关性较高的若干个指标,然后采用KPCA融合算法,选取其最大似然估计值较大的融合后的值(一般为第一核主成分)来作为滚动轴承寿命的退化指标,解决了单个退化指标不能完全反映轴承寿命退化特征的问题。利用文中提出的轴承退化指标提取方法来获得建立不同转速下滚动轴承的寿命模型,最后用支持向量机分类方法对滚动轴承剩余使用寿命进行预测,实现了对不同转速下滚动轴承剩余寿命的准确预测。