随着科学技术的发展,基于数据驱动的智能诊断逐渐成为研究热点。滚动轴承是旋转机械的重要零部件,也是最易损坏的零部件,对其进行性能退化评估,及时判断故障情况并做出相应的维修策略具有重要意义。因此,大量的学者开始研究数据驱动下的轴承性能退化评估方法。数据驱动下智能评估方法主要包括特征提取和智能模型。滚动轴承运行工况复杂,针对振动信号特征提取困难的问题,采用小波包变换与信息熵结合的特征提取方法,有效的处理振动信号非平稳性、非线性的特点。利用RBF神经网络泛化能力强、全局收敛性好的优点提高轴承性能退化评估的准确性和实时性。最后利用全寿命周期数据验证模型性能退化状态评估能力,用包络谱验证早期故障点的准确性,评估结果优于常用的监测指标。针对常用的报警阈值3σ需要数据服从特定的分布形式,研究自适应报警阈值箱线图。箱线图采用具有鲁棒性的四分位计算数据,能真实的反映数据的实际面貌,剔除异常点,且对数据形式不做要求,诊断效果客观合理。针对传统的性能退化评估方法无法判断故障类型,运用基于GA-SVM的智能评估方法。不相关特征或冗余特征不仅无法提供任何有价值的故障信息,还加剧了数据集的计算负荷,影响智能评估的精度和效率。为了选择有效的特征信息,研究面向轴承性能退化的特征评价方法。利用相关性、单调性和鲁棒性评价由时域特征和EEMD能量熵组成的多域特征,通过多目标优化函数分析,获得最优特征。定义新的退化指标,利用全寿命周期数据测试模型可行性。最终结果表明,基于GA-SVM的智能评估模型不仅能有效诊断轴承故障类型,诊断平均准确率高达97.69%,还能判断早期故障点,同时结合退化指标,能准确评估轴承性能退化状态。