随着科学技术的不断发展,伺服电机已广泛应用在机械、冶金、交通、石油化工、船舶制造、航空航天以及科研试验等领域。电机在长期运行过程中轴承性能会逐渐衰退,一旦发生严重故障会导致系统运行状况急剧恶化,并造成生产事故;而如果对电机轴承盲目地进行维修更换,将造成检测、维修过剩或不足现象,因此对滚动轴承进行性能评估与寿命预测成为愈发重要的研究课题。传统的性能评估与寿命预测方法往往因对初始退化不敏感,失效阈值难以确定,预测模型精度低、长期预测能力不足等问题,逐渐无法满足准确、高效的设备健康管理要求,因此本文以解决对初始退化不敏感、失效阈值难以确定和预测模型精度低等问题为出发点,提出了基于约减自组织映射(SOM)网络的性能评估方法,以获得评估曲线,并在评估曲线基础上利用长短期记忆(LSTM)网络进行剩余寿命预测。本文以滚动轴承为例,从完备数据和不完备数据两种情况出发,开展了基于数据驱动方式下的性能评估与寿命预测方法研究。首先,分析了伺服电机典型故障类型及其影响,确定采用振动加速度数据进行特征提取,得到包含时域、频域以及时频域的特征集。其次,以滚动轴承振动数据所提取的特征集为研究对象,对比已有的性能退化评估方法,提出了基于约减SOM的性能评估算法,在IMS轴承数据集上进行算法验证,给出了健康因子(Health Index,HI)的评价指标,同时与主成分分析(PCA)、SOM方法进行对比分析。最后,以获得的滚动轴承性能退化曲线为研究对象,对比已有的剩余寿命预测模型,提出了基于LSTM的寿命预测模型,并分别在数据完备和不完备两种情况下进行模型验证,给出了预测结果的评价指标,同时与自回归模型(AR)、反向传播(BP)网络进行对比分析。研究结果表明,相比于传统的性能评估方法,本文提出的基于约减SOM的滚动轴承性能评估方法在仅有少量正常样本作为训练数据的情况下就可以构建出时间关联性、单调性和鲁棒性更好的性能退化曲线,得到的HI对初始损伤也更为敏感。该评估模型的建立是以无监督方式进行,通用性较好。在获得的性能退化曲线基础上,根据数据是否完备的两种情况,构建LSTM网络模型完成滚动轴承剩余寿命预测,因考虑了不同时间步的相关性,从而增强了模型长期预测能力,同时计算HI的95%置信区间,量化预测中存在的不确定性表达。