随着全球能源短缺和环境污染的加剧,风能作为一种储量丰富、清洁安全的可再生能源受到了人们的高度关注,风力发电是风能利用的最有效途径,近年来呈迅猛发展的趋势。风力机各部件的状态退化评估与剩余寿命预测是直接影响风电场可用度和经济效益的两个重要因素,逐渐成为风电领域的重要研究课题。传动系统是风力机的核心部分,轴承是传动系统的关键元件,一旦发生故障会导致整个传动系统运行失效,因此,对风力机轴承进行状态监测和故障预测具有重要的工程意义。状态监测的主要目的是判断轴承的健康状况,以便于及时处理已经发生或即将发生的故障,保证运行的可靠性和降低维修成本。风力机轴承运行工况复杂、个体差异明显、维护维修困难,现有的退化评估和故障预测无法满足风电行业对风力机健康状态管理的需求。本文提出了信号处理、特征提取、跨域诊断、状态识别、寿命预测“五位一体”的智能运维模式,研究了风力机轴承的状态退化评估与性能趋势预测方法,构建了跨机器故障诊断深度迁移学习网络,提出了有效的早期退化检测方法,实现了退化过程的跟踪和在线剩余寿命预测,建立了多源信息融合的新型预测模型。本研究围绕风力机高速轴轴承的退化评估与剩余寿命预测的关键理论和方法进行了深入探索,主要内容包括:（1）针对轴承运行状态难以划分和性能趋势预测准确度不高的问题,提出了两种方法,分别为基于变分模态分解-自适应模糊C均值-支持向量机（VMD-AFCM-SVM）的状态退化评估方法和改进的LSTM性能趋势预测方法。其中的VMD-AFCM-SVM算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数,确定轴承在不同状态退化下的时间间隔,实现轴承的健康等级评估。此外,提出的改进LSTM方法是一种基于误差最小化的实时参数更新方法,能够在样本数据较少的情况下在线更新模型,解决了传统的LSTM模型不能合理利用在线数据的问题,以辛辛那提大学IMS提供的全寿命轴承数据集和实际风力机高速轴轴承数据集为例,验证了所提方法的有效性。（2）针对实验室轴承故障诊断技术泛化能力不强和真实轴承故障数据标记困难的问题,提出了一种新型的适用于跨机器故障诊断的方法叫做具有多核动态分布适配的深度迁移网络,所提的深度迁移网络具有宽的第一层卷积核和几个小的卷积层,用于提取不同机器之间的可迁移特征,同时抑制高频噪声。然后,使用多核动态分布适配方法构造一个加权混合核函数,将不同的可转移特征映射到统一的特征空间,并动态评估边缘分布和条件分布的相对重要性。通过三个轴承迁移学习任务验证了该方法的有效性,利用两个不同的实验室轴承的诊断知识来识别真实情况下的风力机轴承的健康状态。结果表明,与其它主流方法相比,即使在不同的噪声环境下该方法仍可以获得较高的诊断精度和较好的迁移性能,所提框架为跨机器故障诊断提供了一种有发展前景的方法。（3）针对轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地获得变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合。其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的分离,使重构后的信号滤除了干扰而保留了故障信息。最后,计算了重构信号的包络谐噪比,利用其对周期性故障冲击的敏感性实现了滚动轴承早期退化起始点的检测。（4）针对传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命预测准确度不高的问题,提出了基于包络谐噪比和无迹粒子滤波相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的包络谐噪比监测轴承的早期退化点并提取其趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,再利用无迹粒子滤波算法更新模型参数,实现对轴承状态退化的跟踪和预测。使用实际风力机轴承监测数据对所提方法进行验证,结果表明该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。（5）针对单一信号源不能全面反映风力机轴承动态退化信息从而影响剩余寿命预测准确性的问题,提出了一种振温信号协同的新型广义对数线性威布尔剩余寿命预测模型。该模型通过构造协变量的形式综合考虑了振动和温度监测信号对轴承劣化的影响,所提预测方法共分两个阶段。在特征提取阶段,从监测的振动信号中提取相对均方根,并从监测的温度信号中提取相对温度趋势值,以消除轴承的个体差异和随机信号波动。然后,引入模糊算子来描述“轴承过热”和“轴承过度振动”的程度,解决了不同故障下两种特征变化不同步的问题。在剩余寿命预测阶段,提取的振动和温度模糊算子均用于建立预测模型,使用最大似然估计方法获得模型的最佳参数。再通过均方根误差和平均绝对百分比误差两个指标来度量模型的预测性能。