[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

说明书

本发明公开了基于双时间尺度粒子滤波的机电系统剩余寿命预测方法，包括：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；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；预测系统参数的退化模型，利用所述故障参数的估计值和故障失效阈值计算系统的剩余寿命。本发明解决了系统状态和故障参数在进行联合估计时会浪费大量的计算资源在故障参数基本不变的时间段的问题，提高了故障诊断的效率，保障了剩余寿命预测的实时性。

技术领域

本发明涉及预测设备的剩余寿命的领域，尤其是基于双时间尺度粒子滤波的机电系统剩余寿命预测方法。

背景技术

随着科学技术和现代工业的快速发展，以及随着工业系统和大量机电设备复杂程度和综合性能的提高，准确快速的故障诊断和精确的剩余寿命预测变得越来越重要。有效的故障诊断和预测方法能够快速准确的定位系统或设备的故障源，并精确的预测出设备的剩余寿命，这些关键信息为系统或设备的维护提供必要条件，从而避免灾难性事故的发生以及不必要的经济损失。

目前常用的非线性系统的故障参数的估计方法包括粒子滤波算法、卡尔曼滤波算法以及最小二乘估计法，但是由于非线性系统的故障参数具有缓慢的时变特性，而其系统状态具有快速的时变特性，当系统出现随时间而缓慢变化的故障参数时，利用上述方法进行系统状态和故障参数的联合估计时会浪费大量的计算资源在故障参数基本不变的时间段，导致降低了故障诊断的效率，从而导致降低了剩余寿命预测的实时性。

发明内容

为了克服上述现有技术中的缺陷，本发明提供基于双时间尺度粒子滤波的机电系统剩余寿命预测方法，解决了系统状态和故障参数在进行联合估计时会浪费大量的计算资源在故障参数基本不变的时间段的问题，提高了故障诊断的效率，保障了剩余寿命预测的实时性。

为实现上述目的，本发明采用以下技术方案，包括：

基于双时间尺度粒子滤波的机电系统剩余寿命预测方法，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S1中，将故障集合中的故障参数视为系统的特殊状态对连续的系统状态空间方程进行增广，并在双时间尺度下对增广后的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；

所述连续的系统状态空间方程为：

其中，t表示实际时间，是系统状态的一阶导数，x(t)是系统状态，u(t)是系统输入，w是系统状态的过程噪声；y(t)是系统输出，v是系统输出的测量噪声；F(·)和G(·)表示非线性函数；

所述双时间尺度包括宏观时间尺度和微观时间尺度；微观时间尺度下的微观时间l的循环周期为从1开始到L结束，L＞1；当l＝L时，宏观时间尺度下的宏观时间k加1，即宏观时间由k变换为k+1，所述微观时间l重新开始循环，微观时间l由L变为1；

所述双时间尺度下离散的系统状态空间方程为：

其中，下标k表示宏观时间为k，下标l表示微观时间为l，下标l+1表示微观时间为l+1；下标k+1表示宏观时间为k+1；