[发明专利]基于双时间尺度粒子滤波的机电系统剩余寿命预测方法

权利要求书

1.基于双时间尺度粒子滤波的机电系统剩余寿命预测方法，其特征在于，包括以下步骤：

S1，采用欧拉离散化方法对连续的系统状态空间方程进行离散化处理，得到双时间尺度下离散的系统状态空间方程；所述系统状态空间方程为机电系统的状态空间方程；

S2，利用双时间尺度粒子滤波算法对系统状态和故障参数进行联合估计，得到故障参数的估计值，并通过故障参数的估计值识别系统故障源；所述故障参数为故障集合中的参数；

S3，预测系统的退化模型，利用所述故障参数的估计值和故障失效阈值F_end计算系统的剩余寿命；

步骤S2中，包括以下具体步骤：

S21，基于双时间尺度下离散的系统状态空间方程，进行初始化设置：

l＝l₀；k＝k₀；x＝x_0，0+ω₀；θ＝θ₀+ρ₀；

其中，将微观时间l初始化为l₀；将宏观时间k初始化为k₀；将系统状态x初始化为初始的系统状态x_0，0加上初始的系统状态的过程噪声ω₀；将故障参数θ初始化为初始的故障参数θ₀加上初始的故障参数的过程噪声ρ₀；

上标i表示第i个粒子；表示系统状态的第i个粒子的初始权重；表示故障参数的第i个粒子的初始权重；每个系统状态和每个故障参数的总粒子数均为N_p；

S22，微观时间l在一个循环周期内，即微观时间l从1开始到L结束，进行系统状态的估计，得到系统状态的估计值包括以下具体步骤：

S221，对系统状态进行采样，得到系统状态随机变量，为其中，为宏观时间为k、微观时间为l的时刻采样得到的系统状态的第i个粒子；为重要性概率密度函数；

S222，分别对系统状态中的N_p个粒子的权重进行计算，其中，计算系统状态的第i个粒子的权重的方式为：

其中，为系统状态转移概率密度函数；为由测量函数决定的概率密度函数；为重要性概率密度函数；为宏观时间为k、微观时间为l的时刻的系统状态的第i个粒子的权重；若k＝0，l＝1，则为系统状态的第i个粒子的初始权重否则，为系统状态的第i个粒子在宏观时间为k、微观时间为l-1的时刻，即前一微观时刻进行归一化处理后得到的权重；

S223，分别对系统状态中的N_p个粒子的权重进行归一化处理，其中，对系统状态i个粒子的权重进行归一化处理的方式为：

S224，对系统状态中的N_p个粒子进行重采样判断：

其中，N_eff是决定系统状态是否需要重采样的重要指标，N_eff的值的大小反映粒子退化的严重程度，若N_eff＜N_t时，N_t是预先设定的一个阈值，则系统状态的所有粒子的权重均被重新设置为1/N_p，并进行重采样，重新执行步骤S221～S224；否则，执行步骤S225；

S225，计算宏观时间为k、微观时间为l的时刻的系统状态的估计值计算方式为：

S23，每当微观时间l＝L时，宏观时间k加1，即宏观时间k＝k+1，且在每当微观时间l＝L时，进行故障参数的估计，得到故障参数的估计值包括以下具体步骤：

S231，对故障参数进行采样，得到故障参数随机变量，为其中，为宏观时间为k、微观时间为l的时刻采样得到的故障参数的第i个粒子；q(θ_k|θ_k-1，y_k)为重要性概率密度函数；y_k为宏观时间为k时刻的系统输出；

S232，分别对故障参数中的N_p个粒子的权重进行计算，其中，计算故障参数的第i个粒子的权重的方式为：

其中，是状态转移概率密度函数；是由测量函数决定的概率密度函数；是重要性概率密度函数；为宏观时间为k时刻的故障参数的第i个粒子的权重；若k＝1，则为故障参数的第i个粒子的初始权重否则，为故障参数的第i个粒子在宏观时间为k时刻，即前一宏观时刻进行归一化处理后得到的权重；

S233，分别对故障参数中的N_p个粒子的权重进行归一化处理，其中对故障参数的第i个粒子的权重进行归一化处理的方式为：

S234，对故障参数的N_p个粒子进行重采样判断：

其中，N_eff是决定故障参数是否需要重采样的重要指标；N_eff的值的大小反映权重粒子退化的严重程度，当N_eff＜N_t时，N_t是预先设定的一个阈值，所有故障参数的粒子的权重均被重新设置为1/N_p，并进行重采样，重新执行步骤S221～S224；否则，执行步骤S225；

S235，计算宏观时间为k时刻的故障参数的估计值计算方式为：

S24，以此类推，循环上述步骤S22和步骤S23，直至终止条件满足；在仿真过程中，所述终止条件为宏观时间达到了用户设定的运行时间，在实际预测过程中，所述终止条件为电机达到停机状态；

S25，根据所述故障参数的估计值作出故障参数估计值的变化曲线，并根据所述故障参数估计值的变化曲线是否远离该故障参数的标称值来识别系统故障源，若远离，则该故障参数即为系统故障源。