轧辊轴承作为热轧机的关键零部件,长期在高温、重载、变转速环境下运行,导致滚动轴承极易损坏,一旦发生故障则会影响整个机组的性能稳定性,甚至造成停机。为了避免滚动轴承因突然失效导致机械设备损坏,对轴承进行状态监测并预测其剩余使用寿命,对保证设备正常运行、减少计划外停机时间具有重要意义。针对早期微弱故障特征受强背景噪声影响不易提取问题,提出了基于SVDS的早期微弱故障特征提取方法。首先将原始信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解,根据曲率谱选取有效奇异值进行信号重构,再对重构信号进行S变换生成包含故障特征的时频图谱。通过实际数据验证分析,该方法能够有效去除原始数据中的噪声等干扰信息保留有效信息,并能够突出轴承的故障特征。针对轴承的退化受个体差异及变负载的影响,提出了基于MKDA-MSCNNSA-BiGRU的滚动轴承剩余使用寿命预测模型,采用归一化和线性校正处理RMS获取RRMS作为评定轴承失效的健康指标。针对包含不同故障类型的轧辊全周期寿命数据集难以获取问题,采用迁移学习思想,将不同故障类型的轧辊数据训练得到的模型迁移至目标轴承的全周期寿命数据集,提升模型预测能力;针对退化过程中数据表现多尺度特征,引入MSCNN,通过并行多尺度层提取全局和局部特征,增强网络容量,同时引入SA针对不同特征赋予权重,并突出有效特征以获得更好的预测精度;轴承退化是时间序列问题,引入BiGRU结构,能够记忆历史信息并且将历史信息反馈到当前状态,预测轴承性能的发展趋势。根据历史数据拟合轴承的退化趋势,对曲线采用指数移动平均处理使退化趋势更明显,获取平滑处理结果。通过公开数据集进行实验验证分析,验证了本文所提方法,能够有效提取早期微弱故障特征并预测其剩余使用寿命,具有预测精度高、拟合效果好等优点。最后通过热轧机轧辊轴承实测数据验证了本文所提方法的有效性,能够准确地判定出早期微弱故障,并预测其剩余使用寿命。另外,该方法通过SVDS时频分析,提供了原始数据的时域和频域特征,避免了人工特征提取过程,为智能诊断与预测在实际工程应用提供理论依据。