滚动轴承广泛应用于旋转机械中,对其性能退化评估和预测有利于更好地掌握其实际运行状态、避免事故发生。当前的退化评估和预测多采用基于数据驱动的方法,其关键在于获得合适的退化指标和构建精确的预测模型。在获取退化指标过程中,常用一些适用于故障诊断的特征评价方法对退化特征进行评价,对退化过程本身考虑较少,适用性不强;同时缺少对数据的整体考虑,提取出的退化特征趋势特性较弱。在退化趋势预测中,构建精确预测模型往往较难实现。为此,本文对滚动轴承性能退化评估和预测中的特征提取、特征选择和集成预测模型进行了研究,内容如下:(1)提出了基于变分模态分解(Variational Mode Decomposition,VMD)和峭度准则的降噪方法及基于多评价指标的退化特征选择方法。利用VMD方法将信号自适应地分解为不同频率成分的分量,并通过峭度准则进行重构,进而消除原始信号中噪声干扰。然后,对滚动轴承振动信号进行了特征提取,包括时域特征、频域特征和小波包能量特征。最后,通过综合考虑单调性、趋势性和鲁棒性这三个评价指标来进行退化特征选择,筛选出有利于退化状态描述和趋势预测的特征。(2)提出了基于累积变换和特征融合的退化指标体系构建方法。针对传统的特征提取方法往往只对单一信号片段进行处理,忽略了信号整体之间的联系的问题,从轴承损伤累积的角度进行考虑,提出了一种基于逐次叠加原理的累积变换方法。通过对原始特征进行累积变换实现挖掘数据整体信息的目的。最后,通过主成分分析(Principal Component Analysis,PCA)对累积特征进行融合,构建出退化指标体系。利用轴承试验数据验证了所提指标体系能够全面清晰地表征轴承退化过程。(3)提出了集成极限学习机(Extreme Learning Machine,ELM)和Adaboost迭代算法的预测模型。针对退化趋势预测中难以构建精确预测模型的问题,提出了ELM-Adaboost集成预测模型,该模型利用ELM构建弱学习器,以Adaboost算法为集成学习框架构建强学习器,将退化指标作为集成预测模型的输入,提高了滚动轴承退化趋势预测的准确性。