[发明专利]基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法

说明书

技术领域

本发明属于滚动轴承剩余寿命预测技术领域，具体涉及一种基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法。 

背景技术

滚动轴承在旋转机械中广泛应用，其健康状况直接关系到机械设备的安全运行。由于滚动轴承经常在高速重载的恶劣环境下工作，磨损、疲劳点蚀等故障时有发生。一旦轴承出现故障，势必会对设备的安全运行造成严重威胁，轻则引起设备停机的生产事故，重则导致机毁人亡的重大灾难。由于各滚动轴承的有效寿命差异极大，传统的定期维修策略不仅费时费力，而且可靠性不高，无法满足工程的实际需求。预防性维修策略可以对滚动轴承的健康状况进行准确评估，并对其剩余寿命进行有效预测，保证在最小的维修成本下实现最大化的生产效率，因此越来越受到人们的关注。对滚动轴承的剩余寿命进行有效预测可为维修决策提供关键依据，是预防性维修的基础和前提。 

寿命预测的两个关键技术环节就是指标提取和趋势预测。 

1）指标提取就是从轴承的振动信号中提取出包含故障信息的特征指标，对轴承的健康状况进行评估。常用的特征指标有RMS、峰值、峭度、波形指标以及小波包能量指标等。这些特征指标往往对故障的某个阶段较为敏感，例如RMS只在故障严重阶段才会呈现出明显的变化趋势，而峭度和波形指标在故障初期波动较大，随着故障的发展会逐渐趋于平缓。这些特征只能片面地反映故障的局部信息，无法对轴承的健康状况进行全面描述。因此，要想实现对轴承健康状况的准确评估，就必须从振动信号中提取出能够全面反 应轴承故障信息的特征指标。 

2）趋势预测就是采用已知数据序列训练预测模型，对其参数进行迭代更新，使其能够包含指标的趋势信息，然后对未来发展趋势进行预测。粒子滤波方法以其在处理非线性非高斯问题方面的优势，已被广泛应用于机电设备的趋势预测领域。粒子滤波方法中，系统在t_k=k·△t时刻的状态用以下状态空间模型描述： 

xk=fk(xk-1,θk,ωk)yk=gk(xk,vk)]]>

其中，x_k是系统在t_k时刻的状态； 

f_k：是状态传递方程； 

g_k：是观测方程； 

θ_k是由模型参数组成的参数向量； 

y_k是由振动信号计算得到的特征指标； 

ω_k，ν_k分别代表过程噪声和观测噪声引起的噪声误差。