为了实现基于振动数据的轴承寿命预测,笔者构造了包含时、频统计指标与反三角函数统计指标的健康指标集,通过比较与均方根指标的余弦相似度和相关系数,实现了指标集的筛选和约减;针对基础极限学习机(extreme　learning　machines,　ELM)模型因参数随机配置导致的精度偏低问题,引入以蝙蝠算法(bat　algorithm,　BA)为代表的元启发算法;考虑传统BA算法易陷入局部最优的弊端,笔者建立了BA算法的改进策略,即采用莱维飞行增强算法的搜索能力,通过对立学习增强种群的多样性,从而在保证搜索精度的前提下,提高搜索效率。利用某滚动轴承的全寿命周期试验数据,验证了BA算法改进策略对寿命预测模型的重要贡献。研究结果表明,无论测试集处于何种工况,上述预测框架均具有极高的预测精度,不仅与真实寿命曲线拟合程度较高,而且在与RBF、CS-ELM等预测模型的对比中,体现了更强的泛化性能和算法稳定性。