城市轨道车辆的运行需要满足安全、可靠、舒适的要求,它离不开及时的检修维护工作。传统的牵引电机试验台,往往停留在对电机转子线圈电路、绝缘性的检测,很少涉及到对牵引电机轴承健康状况的检测,而牵引轴承的故障和寿命退化研究应当是牵引电机试验台测试的重要内容。本研究的目的是提出一套基于牵引电机轴承振动数据的健康管理方案,包括对牵引电机轴承的故障识别和剩余寿命的预测,为牵引电机试验台的改进项目提供可行性方案。包括轴承故障和寿命相关理论、长短时记忆网络和粒子滤波算法、故障识别和剩余寿命预测四部分。轴承故障类型的识别和轴承剩余寿命的预测,属于PHM（Prognostics and Health Management）装备健康管理技术的研究热点。将研究重点放在故障识别和剩余寿命预测上:（1）轴承故障识别。对于变转速工况下采样的轴承故障信号,无法用长短时记忆网络（Long Short-Term Memory,LSTM）直接故障识别。因此,本文采用了对变转速工况下采样信号的“整形”后角域重采样,再进行LSTM网络识别的思路,取得了一定效果。为了进一步提高故障识别精度,本文提出了CEEMD-LSTM方法,通过CEEMD（互补集合经验模态）提取角域重采样信号的固有模态（IMF）,过滤掉相关系数低的IMF,可以发现CEEMD-LSTM较EEMD-LSTM、EMD-LSTM以及LSTM在识别准确度有明显的提升。（2）轴承剩余寿命预测。对轴承退化数据集的振动信号多种特征指标,通过比较,有效值指标可以比较理想地描述轴承的退化特征,再使用LSTM对轴承剩余寿命进行预测,能够大致预测有效值的退化趋势。为了进一步提高寿命预测的精度,提出的PF-LSTM算法,实质将LSTM算法预测的结果作为粒子滤波算法（Particle Filtering,PF）的“观测值”,再利用状态转移方程进行预测结果修正,实际上是基于数据驱动和经验模型的融合。通过实验对比,预测结果较LSTM算法相关系数更高,RSME更小,可以实现对轴承剩余寿命更为精确的预测。综上所示,本文提出的基于CEEMD-LSTM的变转速工况采用的轴承故障识别和基于LSTM-PF的轴承剩余寿命预测理论可行,可以为轴承牵引电机实验台的改造提供理论指导。