滚动轴承作为大型机械设备中的核心零部件,由滚动轴承损坏引起的设备瘫痪占很大一部分比例,及时判断滚动轴承的运行状态并做出相应的结果分析具有重要意义。针对滚动轴承工况复杂,且振动信号故障特征难以提取的问题,本文采用基于可视图谱信号的特征提取方法,有效处理了滚动轴承信号非平稳、非线性等问题,并对滚动轴承的故障做出诊断。利用图卷积神经网络模型对滚动轴承寿命进行预测,反映出滚动轴承的真实寿命值,并通过相关数据集,验证本文所提算法的优越性。最后,在软件系统中添加图卷积神经网络等算法,验证了图卷积神经网络算法在系统中的可行性,并通过实验验证,系统采集与传输数据的有效性。（1）基于可视图图谱信号特征提取的故障诊断。将滚动轴承一维振动信号转换成可视图图谱信号,通过计算每个可视图图谱信号的邻接矩阵与拉普拉斯矩阵,得到各种图谱指标,并采用双样本Z值方法筛选出合适故障特征作为故障特征向量,并通过支持向量机分类算法得到轴承故障诊断结果。通过试验分析表明,相比于传统的时域特征提取方法,对于滚动轴承不同类型的故障诊断,采用基于可视图图谱信号的故障特征提取方法正确率提高了8.34%;对于滚动轴承外圈的故障诊断,采用基于可视图图谱信号的故障特征提取方法正确率提高了16.67%。进一步表明基于可视图谱信号特征提取方法的优越性。（2）基于图卷积神经网络的滚动轴承寿命预测。将滚动轴承的时域信号转换成频域信号,并在频域内提取相关特征,同时筛选出合适的频域特征作为本次的故障特征向量输入到图卷积神经网络模型中,并预测滚动轴承剩余寿命。最后通过试验对比RNN算法和MLP算法,分别计算了每一种模型的均方误差、平均绝对误差以及均方根误差,通过误差对比分析表明,本文采用基于图卷积网络模型对滚动轴承寿命预测具有良好的效果。（3）基于图卷积神经网络的滚动轴承故障诊断与寿命预测系统研制。针对系统中可能存在的难点,对系统数据采集功能、系统数据传输功能以及系统中图卷积神经网络算法的可行性进行了详细分析。同时,为了达到系统预期效果,对系统总体框架以及云端数据库进行了设计。最后,将本文第三章以及第四章的使用的数据以及相关算法添加到系统中,验证了图卷积网络模型等相关算法在系统中的可行性,并在此基础上,搭建相关实验台,验证了系统中数据传输与采集在实际运用中的有效性。