针对现有基于模型的预测泛化能力不足、建模难度大和基于数据驱动预测方法的预测精度过于依赖数据量以及单一预测模型实际使用过程中容错性不高的问题,本文构建了基于多智能体的发电机滚动轴承剩余使用寿命预测模型,即通过对多个智能体输出结果的综合分析,实现对发电机滚动轴承的剩余使用寿命的估测。具体内容如下:（1）寿命预测的数据分析为了实现对发电机滚动轴承剩余使用寿命的预测,文中对因轴承退化产生的振动现象进行深入分析。此外,对文中使用的数据集、轴承退化阶段划分以及寿命预测原理进行了探究,为预测标签数据的处理和轴承剩余使用寿命预测模型的建立提供帮助。（2）提出一种改进阈值的滚动轴承振动数据降噪方法针对目前大多数预测方法对传感器采集的信号不进行预处理,直接使用含噪数据对发电机轴承的剩余使用寿命进行预测时出现的退化特征分析不全面、模型最终预测精度不高的问题,本文提出采用改进阈值小波降噪方法对数据进行降噪预处理。研究表明,本文改进的降噪方法具有较好的降噪效果。（3）特征提取网络的搭建以及轴承退化特征的重构为了充分挖掘数据中蕴含的发电机滚动轴承退化特征,发挥数据价值,在特征选择过程中,不仅将常见的时域和频域统计指标作为特征,文中还构建了基于含有内部变量的反馈型模糊神经网络的特征提取网络,进一步提取数据中隐藏的退化特征。然后将时、频域特征与网络提取的特征进行重构,并通过重构得到的新特征预测轴承的剩余使用寿命。此外,模糊神经网络的使用提高了整体模型处理动态信息和模糊化信息的能力。研究表明,重构后的特征具有较多描述轴承退化现象的信息,使得预测模型具有较高的预测精度。（4）滚动轴承剩余使用寿命预测模型的建立针对单一预测模型实际使用过程中容错性不高,说服力不强的问题,本文依据群体智能、群体决策的思想构建多智能体发电机滚动轴承剩余使用寿命预测模型:先使用多个预测智能体分别进行轴承剩余使用寿命预测,然后通过集成智能体对预测智能体的预测值进行集成处理,最后输出预测结果。研究表明,多智能体预测模型能一定程度改善单一模型预测的稳定性不足、鲁棒性不高的问题。此外,为了提高模型感知“外界环境”变化的能力,构建了超参数优化智能体,使得本文构建的模糊神经特征提取网络能够根据数据变化选择合适的隶属度函数,进一步增强模型处理动态数据的能力。本文使用XJTU-SY数据集中的数据训练模型,并验证模型性能,实验结果表明:本文构建的多智能体发电机滚动轴承剩余使用寿命预测模型具有良好的预测效果和抗风险能力。