由于实际工况下的轴承退化数据有限,无法获得足够的退化数据来训练神经网络,在深度学习网络中很难得到好的预测结果,所以提出一种新的结合机器学习和统计数据驱动的方法.首先对原始振动信号做特征提取,通过集合经验模态分解奇异值分解(Ensemble　Empirical　Mode　Decompositiont　Singular　Value　Decomposition,EEMD+SVD)得到数十维特征,加上剩余寿命预测常用的诸如峭度、均值等有效特征,利用决策树筛选出　15　维特征;将所筛选特征进行双指数拟合并通过t分布随机近邻嵌入(t-distributed　Stochastic　Neighbor　Embedding,t-SNE)将退化信号降维成线性趋势.线性退化趋势在预测上相比于指数趋势有更好的泛化性,同时预测准确度相比于指数模型支持向量回归(Support　Vector　Regression,SVR)和深度信念网络(Deep　Belief　Network,DBN)都有较高的提升.