Rolling bearing is the core part of rotating mechanical equipment, so developing an effective remaining useful life prognostics method and alarming the impending fault for rolling bearing are of necessity to guarantee the reliable operation of mechanical equipment and schedule maintenance. The relevance vector machine is one of the substantially used methods for remaining useful life prognostics of rolling bearing. However, the accuracy generated by relevance vector machine drops rapidly in the long-term prognostics. To remedy this existing shortcoming of relevance vector machine, a novel hybrid method combining grey model, complete ensemble empirical mode decomposition and relevance vector machine are put forward. In the hybrid prognostics framework, the grey model is applied to gain a “raw” prediction result based on a trained model and produce an original error sequence. Subsequently, a new smoother error sequence reconstructed by complete ensemble empirical mode decomposition method is used to train relevance vector machine model, by which the future prediction error applied to correct the raw prediction results of grey model is projected. Ultimately, the online learning technique is used to implement dynamic updating of the “old” hybrid model, so that the remaining useful life of rolling bearing throughout the run-to-failure data set could be accurately predicted. The experimental results demonstrate the satisfactory prognostics performance.

滚动轴承是旋转机械设备的核心部分，因此有必要开发一种有效的剩余使用寿命预测方法，并警告滚动轴承即将发生的故障，以确保机械设备的可靠运行和计划维护。相关向量机是用于保持滚动轴承使用寿命的基本方法之一。然而，在长期的预测中，相关性向量机产生的准确性迅速下降。为了弥补关联向量机存在的不足，提出了一种将灰色模型，完整的经验模态分解和关联向量机相结合的混合方法。在混合预测框架中，应用灰色模型基于训练模型获得“原始”预测结果，并产生原始错误序列。随后，通过完全集成的经验模态分解方法重建的新的平滑误差序列被用于训练相关向量机模型，从而投影出用于校正灰色模型原始预测结果的未来预测误差。最终，在线学习技术用于实现“旧”混合模型的动态更新，从而可以准确预测整个运行至失败数据集中的滚动轴承剩余使用寿命。实验结果证明了令人满意的预后性能。通过完全集成的经验模态分解方法重建的新的平滑误差序列被用于训练相关向量机模型，从而投影出将来的预测误差，以校正灰色模型的原始预测结果。最终，在线学习技术用于实现“旧”混合模型的动态更新，从而可以准确预测整个运行至失败数据集中的滚动轴承剩余使用寿命。实验结果证明了令人满意的预后性能。通过完全集成的经验模态分解方法重建的新的平滑误差序列被用于训练相关向量机模型，从而投影出将来的预测误差，以校正灰色模型的原始预测结果。最终，在线学习技术用于实现“旧”混合模型的动态更新，从而可以准确预测整个运行至失败数据集中的滚动轴承剩余使用寿命。实验结果证明了令人满意的预后性能。这样就可以准确预测整个滚动轴承的剩余使用寿命。实验结果证明了令人满意的预后性能。这样就可以准确预测整个滚动轴承的剩余使用寿命。实验结果证明了令人满意的预后性能。