滚动轴承被广泛应用于旋转机械中,是基础配件也是核心配件。由于其作为机械装配中精度最高的部件之一,制造公差非常严格。它的健康状况和性能直接关乎着机械设备能否正常有效运转。旋转机械的振动信号中包含着丰富的信息,这些振动信号里的数据可以用来进行滚动轴承的故障诊断,但是往往这种诊断只能识别故障的类型,对于故障区域的严重程度无法知晓,这对于组织安排制定维修计划以及生产设备的预维护是远远不够的。文中介绍了两种滚动轴承性能退化的评估方法。研究表明谱峭度(SK)作为滚动轴承的全寿命性能指标可以有效的探测出轴承的初期故障,结合均方根值等时域指标及支持向量机(SVM)可以实现轴承的全寿命的阶段划分。针对实际生产过程中轴承全寿命振动数据获取的难题,提出基于整体经验模态分解(EEMD)、奇异值分解(SVD)和支持向量数据描述(SVDD)的轴承性能退化程度评估方法,可以用于轴承性能退化程度的定量评估。轴承在发生初期故障时,其故障特征在强背景噪声的严重干扰下一般的性能指标无法体现出来。研究发现谱峭度对于弱故障冲击具有敏感性且兼顾不错的上升趋势,能够及时发现轴承的初期故障,同时结合峰峰值、均方根值作为中期故障指标和后期指标构造训练样本,再利用SVM训练模型可以对轴承进行性能退化阶段的划分,从而实现滚动轴承的性能退化评估。在实际工况中,轴承的振动信号受噪声影响严重,故文中提出一种基于EEMD、SVD和SVDD相结合的滚动轴承健康状态评价方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,以消除随机干扰,再对降噪后的信号进行EEMD分解,将其分解为多个平稳的固有模态函数(IMF),然后选取若干个包含主要故障信息的IMF分量,由于在整个轴承的全寿命周期内,加速度信号各频带的能量会随故障程度的加深而变化,因而可以从各IMF分量中提取能量特征参数,作为SVDD方法的输入进行性能退化程度评价,以待测样本到训练得到的超球体球心的归一化距离进行性能退化的定量评估。通过对全寿命试验中获得的数据进行上述两种方法的验证发现,可以较好的对滚动轴承的性能退化进行评估。