[发明专利]基于状态空间模型的滚动轴承寿命预测方法

权利要求书

1.基于状态空间模型的滚动轴承寿命预测方法，其特征在于包括以下几个步骤：

1)采集滚动轴承运行数据:通过监测机泵在线监测系统，应用加速度传感器采集滚动轴承劣化阶段的实时振动数据；

2)特征值求取：振动数值随轴承劣化过程变化较明显，应用振动数值作为输入数据可以较好预测轴承劣化状态；将振动数据带入特征数值公式，求解特征数值作为轴承寿命预测的输入值；

3)特征值预处理：利用平滑滤波算法对故障特征值进行平滑预处理，并对特征数值进行归一化处理；

4)依据滚动轴承特征数值，学习状态空间模型参数：针对滚动轴承故障特征数值与滚动轴承运转周期的关系，建立滚动轴承运行模型，即用状态方程和观测方程表示滚动轴承的各个时刻的运行状态；

5)应用统计方法，以多个实际故障案例为依据设定轴承初始劣化阈值A_i及轴承劣化后期寿命阈值A_k；

6)对粒子滤波中数值进行初始化设置，即

(1)参考监测系统，滚动轴承运转正常时，数值基本稳定，波动较小，随着滚动轴承劣化程度加深，振动数值逐渐上升；按照滚动轴承的劣化程度选取数据点，一般选取劣化之后200～500个数据点进行预测；

(2)设定特征值初始值为采集到的波形数据计算出的第一个特征数值；

(3)按照公式z_k+1＝z_k+randn获取服从高斯分布的单个时间点的N个粒子，randn为服从高斯分布的0～1之内的随机数；z_k即为k时刻的粒子即为,z_k+1即为k+1时刻粒子；

(4)设置粒子的初始权重均为

(5)设置过程噪声w(k)及观测噪声v(k)的数值分别为0：1之间的数值；

7)应用粒子滤波算法进行轴承数据的循环递推，求取轴承特征值的预测变化趋势：

(1)根据k时刻的粒子z_k，产生N个k+1时刻粒子z_k+1，即为[z₁ … z_i … z_N]，，其中z_k+1＝z_k+R(0,r)，R(0,r)为服从均值为0，方差为 r的上述高斯分布的随机数；

(2)将上述产生的每一时刻的N个粒子循环输入，即

①将输入的每一个粒子带入上述的状态方程，再依据状态方程结果求出观测方程的结果；

②利用时机特征数值与观测数值之差，求取每一个粒子的权重数值；

③求取出所有粒子的权重数值之和；

(3)将权重进行归一化；

(4)利用系统重采样技术，即依据权重数值大小，进行数据重采样，保留权重大于等于0.7的粒子；

(5)求取重采样后同一时刻所有粒子的平均数值作为该时刻的预测数值；

(6)循环求取所有时刻的预测数值；

8)应用粒子滤波算法预测出的滚动轴承的特征数值达到阈值时，循环停止，输出滚动轴承的剩余寿命L。2.根据权利要求1所述方法，其特征在于：所述步骤2)中，特征数值应用下式进行提取：

F_a＝f(x_i,p(x_i),q)；

F_a:加速度特征值；

x_i：加速度信号值；

p(x_i)：加速度信号概率密度函数；

q：加速度信号公式幂指数；

f函数为加速度峰值、加速度高频值、加速度低频值或加速度有效值。