随着我国动车组先进技术的不断更新迭代、产品种类的丰富以及轨道交通产业的蓬勃发展,如今对动车组各结构部件都提出了更高的可靠性和安全性要求,对于动车组所有部件中易损耗、一旦出现故障就会影响整车运行安全性、可靠性和经济性的轴箱轴承更是需要做到可以实时监测其状态并预测它的剩余使用寿命。而列车运行过程中采集到的轴承运行状态信息为实现轴承的剩余寿命预测提供了重要的信息来源。本文是基于轴承的振动信号提取能反映轴承退化状态的特征值来进行轴承寿命预测的。若只分析单一域的数据,轴承性能退化特征集更容易组建,但多个域的特征融合可以得到考虑更丰富、剩余寿命预测更精确的结果,可以最大的程度的降低轴承的保养和维护的成本,深度学习模型可以自动筛选、学习轴承退化特性,并形成记忆的特点为轴承的寿命预测提供了更多的可能性。选用IEEE PHM 2012轴承加速性能退化实验台数据集对轴承寿命预测方法进行了验证,并以此为基础进行轴承运行状态的评估及剩余寿命预测。其振动传感器采集到的轴承全寿命周期振动信号,可提取能反映轴承运行状态信息的退化特征,用与构建轴承退化特征集。主要开展的工作如下:（1）首先查阅并介绍了了国内外近年来对轴承性能退化领域相关的研究及应用,并对动车组选配的双列圆锥滚子轴承进行详细的描述,分析比较了轴箱轴承常见的失效形式及状态监测方法。接着分别从轴承振动信号的时域、频域、时频域中提取轴承退化特征,并从中筛选出对轴承健康性能退化状态比较敏感的退化特征参数。（2）针对特征退化参数提出了一种基于特征图像曲线单调性是否明显的特征筛选方法,提取能有效反映轴承退化状态的且具有对应退化状态单调性的特征来构建轴承性能退化特征集。筛选后的特征能充分表征轴承健康性能的退化过程,具有更好的单调性、趋势性。（3）采用双向LSTM长短记忆神经网络对轴承进行寿命预测,将得到的寿命预测结果与轴承寿命真实值进行对比以验证寿命预测模型的精确度,最后将双向LSTM神经网络与LSTM神经网络、RNN神经网络对轴承寿命的预测结果曲线进行对比,说明在小样本轴承数据寿命预测中,双向LSTM神经网络的预测精度更高。