滚动轴承是机械设备中常用的零部件,其运行状态的优劣会在一定程度上影响着整台设备的性能。滚动轴承从正常运转到失效往往会经历一系列不同的退化过程,如果能够在这个过程中对轴承的退化程度进行定量评估,则可以使设备维护策略的制定具有针对性。本文以滚动轴承为研究对象,采用理论和实验相结合的方法系统研究了轴承性能退化评估中退化特征提取、评估模型的建立和评估结果的验证等问题。针对退化特征提取问题,首先以内圈故障为例分析了提升小波包变换在不同程度故障信号分析中的有效性。在此基础上,将提升小波包分别与奇异谱熵、符号熵相结合,从而得到了基于提升小波包奇异谱熵的退化特征提取方法,并提出了基于提升小波包符号熵的退化特征提取方法。试验数据分析结果表明,提升小波包奇异谱熵、提升小波包符号熵均对不同严重程度的内圈故障比较敏感,能够反映轴承的退化状态。针对评估模型的建立问题,将支持向量数据描述(SVDD)引入轴承性能退化评估中,建立了基于SVDD的性能退化评估模型,在此基础上提出了基于提升小波包奇异谱熵-SVDD的性能退化评估方法和基于提升小波包符号熵-SVDD的性能退化评估方法,并给出了实际在线评估中的失效阈值设定方法。数据采集是轴承性能退化评估的基础,为此利用LabVIEW中的生产者-消费者结构和状态机结构开发了基于虚拟仪器的轴承全寿命周期动态信号采集系统,并将该系统用于采集轴承故障程度模拟试验数据。然后利用采集的故障程度模拟试验数据验证了所提出的评估方法的有效性。为验证所提出的评估方法在轴承性能退化评估中的实际应用效果,对Cincinnati大学提供的全寿命周期试验数据进行性能退化评估,并对SVDD参数、提升小波包符号熵参数的选取进行了讨论。结果表明,相比于其他方法,所提出的两种评估方法均能更准确地检测到早期故障,且能更好地刻画轴承故障的复杂恶化趋势,从而为轴承的性能退化评估提供两种思路。此外,鉴于SVDD算法中超球体边界不能更新的问题,还将自适应SVDD算法引入轴承的性能退化评估中。全寿命数据分析结果表明,该方法仅需少量离线正常样本进行自适应训练即可获得和大量正常样本参与训练时基本一致的评估效果,并且建立的自适应SVDD模型更具有适用性。针对评估结果的验证问题,引入基于经验模态分解(EMD)和Hilbert包络解调的故障诊断方法。利用相关系数准则和峭度系数准则选取和原始信号相关性较强且保留较多冲击成分的固有模态函数(IMF)分量进行解调。结果表明,所用故障诊断方法能够有效地诊断出早期故障,并且用该方法验证的评估结果也大致正确。