滚动轴承作为旋转机械设备的重要组成部件,其运行状态的好坏往往对整台设备的性能产生直接的影响。如果能在滚动轴承失效前,准确地预测出其剩余使用寿命(RUL),便可及时采取一定的措施对设备进行维护,从而避免造成重大的经济损失、甚至人员伤亡。基于数据驱动的方法是目前进行滚动轴承RUL预测的主流方法之一。其中,特征提取和RUL预测是数据驱动方法的两个关键步骤。论文以实现滚动轴承RUL预测为目标,分别从特征提取、RUL预测两个方面逐步展开研究。特征提取方面,针对稀疏自动编码器(SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用KL散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性。利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调,得到具有一定趋势且能表征轴承衰退过程的深层特征。RUL预测方面,针对长短时记忆网络(LSTM)按时间顺序处理序列,仅考虑过去信息而忽略未来信息的问题,提出引入双向长短时记忆网络(Bi-LSTM)作为本文的预测模型。此外,为了得到更好的预测结果,对Bi-LSTM模型的前向传播训练过程和反向传播训练过程分别进行优化。在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差。