基于ls-svr建模的高阶粒子滤波器的故障预示方法
【专利摘要】本发明提供一种基于LS-SVR建模的高阶粒子滤波机械故障预示方法，目的是通过提取从正常状态演化到故障状态的信号特征，用数据驱动的方式建立状态方程，并能够实现在线实时的预测。本发明对于提供的机械振动信号，提取相应的信号的特征，例如：时域的6种统计特性并应用LLE方法对其进行低维特征提取，然后利用LS-SVR构建m阶HMM模型，并用低维特征对其进行训练，最够将其融入到粒子滤波算法框架中构成m阶粒子滤波，最后对机械故障进行预示。本发明和现有预示方法相比较具有预示精度高，适用范围广的特点。
【专利说明】基于LS-SVR建模的高阶粒子滤波器的故障预示方法
【技术领域】
[0001] 本发明涉及故障诊断方法领域，具体地说是用最小二乘支持向量机（LS-SVM)通 过学习的方式建立高阶粒子滤波器中的状态方程，用于设备故障预示的方法。
【背景技术】
[0002] 基于状态的维修（CBM)取代了传统的按照计划表的故障维护，成为各种工程系统 实施维修的优选方案，以保证它们的可靠性、安全性和可用性，CBM利用运行时间数据，以确 定/预测机器状态，从而确定当前/未来的故障状态。通过预示机器状态来避免机器失效 和突发性故障的发生。CBM实现技术主要包括传感和监测、信息处理、故障诊断和故障预示 算法，能够准确及时检测早期故障和预测其余发生故障的组件的使用寿命。预示能力是其 中的重要组成部分，可以准确地预测组件或子系统未来状况和剩余使用寿命。
[0003] 机械故障预示方法可以被分为两大类：基于模型的方法和基于数据驱动的方法。 基于模型的方法是用数学模型来预测故障的演化趋势。给定一个系统的模型，基于模型的 方法能提供准确的预测估计。但是通常在实际情况下，难以设计准确的模型，尤其是当故障 传播的过程是复杂的或并没有完全理解。另一种基于数据驱动的方法是采用收集的状态数 据来建立故障传播模型。有很多数据驱动的方法，例如：马尔科夫模型、递归向神经网络、自 适应模糊神经推理系统、支持向量回归和最小二乘支持向量回归（LS-SVR)等，都是在机械 故障预示领域中流行的预测器。
[0004] 在数据驱动的方法里，模糊神经网络和支持向量回归已经在机械状态退化预测中 取得了成功的应用。但是在机械状态随时间动态实时变化的情况下，如果在预测过程没有 考虑到状态的动态变化，那么模糊神经网络和支持向量回归方法将不能做出准确的预测。
[0005] 近几十年来，在统计学和各种工程领域中，许多专家学者都致力于动态系统实时 估计问题的研宄和分析，发源于17世纪英国牧师T. R. Bayes的贝叶斯理论为动态系统的状 态估计问题提供了严格的理论框架，它利用所有的已知信息来构造系统状态变量的后验概 率密度函数，即用系统模型预测状态的后验概率，再利用最新的观测值进行修正。状态的各 种统计值如均值、方差等都可从后验概率密度函数中计算获得。20世纪90年代初，随着计 算机计算能力和存储量的迅速提升，一种基于递推贝叶斯估计和蒙特卡洛方法结合的实时 在线仿真算法一一粒子滤波器，逐渐受到人们的重视。粒子滤波器是一种基于仿真的方法， 它利用状态空间中一组带权值的随机样本粒子逼近目标状态变量的概率密度函数，每个样 本代表目标的一个可能状态，综合所有的粒子状态可以得到目标状态的最小方差估计。该 算法不受模型线性、高斯假设的约束，适用于任意非线性非高斯动态系统。
[0006] 在目前国内外公开的文献中，Zio E, Peloni G. Particle filtering prognostic estimation of the remaining useful life of nonlinear components. Reliability Engineering and System Safety 2011 ;96(3) :403-409.中提出了基于粒子滤波的机械 部件状态估计方法。该方法应用基于模型的状态方程和观测方程，结合蒙特卡洛仿真技术 估计退化部件的每个状态的先验概率密度函数，避免了卡尔曼滤波技术对系统简单的线性 和高斯噪声的假设。提供了一个鲁棒性更强的状态预测框架。该方法被应用于断裂故障 的剩余使用寿命的估计中，得出了满意的结果。Zhang L，Li X S，Yu J S，et al. A fault prognostic algorithm based on Gaussian mixture model particle filter. Acta Aeronautica et Astronautica Sinica2009 ;30 (2) : 319-324 中提出一种预测算法，该算法 的状态估计阶段，采用联合估计和粒子滤波同时估计对象系统故障演化模型状态和未知参 数的后验分布。在算法的状态预测阶段，采用了两种不同的计算方法：一种方法是对状态变 量当前时刻的后验分布进行迭代采样，从而获得未来时刻的状态变量的先验分布；另一种 方法是采用数据驱动的方法预测未来一段时间内对象系统的量测信息，从而将未来时刻状 态变量的先验分布的预测问题转化为一个求解后验分布的估计问题。采用高斯混合模型近 似随机变量分布密度，从而将两种方法的计算结果在一个统一的预测框架之下进行有效交 互，进一步提高了预测的准确性和可靠性。在算法的决策阶段，在获取的故障演化模型状态 变量分布基础上，结合一定的故障判据近似计算出对象系统剩余寿命分布。故障预测仿真 实验结果证明了所提算法的有效性。
[0007] 但上述两种预测方法有几点不足：
[0008] (1)基于模型的方法需要对研宄对像进行数学建模，当故障传播的过程是复杂的 或并没有完全理解的情况下，难以得出正确的故障状态模型。
[0009] (2)由于一阶马尔科夫形式利用了少量的历史信息，即下一时刻的状态值只和当 前时刻状态值有关系，只能用于描述故障的生长过程。但状态的演化不仅与前一刻的状态 有关，而且和之前的多个状态有关。所以应用一阶马尔科夫模型并不能真正的描述状态预 示模型。
【发明内容】
[0010] 为了克服现有技术的不足，本发明提供一种基于LS-SVR建模的高阶粒子滤波机 械故障预示新方法，以有效提高故障预示精度。
[0011] 本发明的技术方案为：
[0012] 所述一种基于LS-SVR建模的高阶粒子滤波器的故障预示方法，其特征在于：包括 以下步骤：
[0013] 步骤1 :对一组从正常状态演化到故障状态的信号通过滑动时间窗截取信号，截 取的每一段信号作为一个样本，计算每一个样本的6种时域统计特征，时域统计特征包括 峰值、平均幅值、均方根幅值、偏斜度指标和峭度指标；然后建立样本特征空间，并用局部线 性嵌入方法对构建的样本特征空间进行低维特征提取，得到低维特征集；
[0014] 步骤2 :将步骤1中得到的低维特征集作为样本训练和测试预测器，其中低维特征 集中的奇数点作为训练集，偶数点作为测试集，训练集是用来得到预测模型，测试集是用来 测试预测模型的预测的效果；
[0015] 步骤3 :采用训练集训练最小二乘支持向量机，得到最小二乘支持向量机预测模 型，将最小二乘支持向量机预测模型加上模型噪声组合成高阶隐马尔科夫模型：
【权利要求】
1. 一种基于LS-SVR建模的高阶粒子滤波器的故障预示方法，其特征在于：包括以下 步骤： 步骤1 :对一组从正常状态演化到故障状态的信号通过滑动时间窗截取信号，截取的 每一段信号作为一个样本，计算每一个样本的6种时域统计特征，时域统计特征包括峰值、 平均幅值、均方根幅值、偏斜度指标和峭度指标；然后建立样本特征空间，并用局部线性嵌 入方法对构建的样本特征空间进行低维特征提取，得到低维特征集； 步骤2 :将步骤1中得到的低维特征集作为样本训练和测试预测器，其中低维特征集中 的奇数点作为训练集，偶数点作为测试集，训练集是用来得到预测模型，测试集是用来测试 预测模型的预测的效果； 步骤3 :采用训练集训练最小二乘支持向量机，得到最小二乘支持向量机预测模型，将 最小二乘支持向量机预测模型加上模型噪声组合成高阶隐马尔科夫模型： Xk= ^k+vk-x xk =f{xk^k_2,……a 其中fO为最小二乘支持向量机预测模型，m为阶数，Xk为在k时刻的状态值，毛为在 k时刻的状态估计值，Xk+xk_2,......，xk_m为k时刻之前1时刻到前m时刻的状态值，VH 为k-1时刻的模型噪声； 步骤4 :根据步骤3得到的高阶隐马尔科夫模型产生粒子集{么,/ = 1,，粒子集 中的粒子个数为Ns，第i粒子/ = 0，...，0表示0到k时刻的状态集，粒子集中各粒 子对应权值为(<，/ = 1，...，A^，权值由I 得到，其中由k时刻目 标状态4的后验概率密度得到，Zk表示k时刻的量测值；并将权值 < 归一化为
步骤5 :根据步骤4得到的权值判定粒子退化程度，若粒子退化到达设定条件，则进行 粒子重采样，并计算重采样后粒子权值； 步骤6 :由粒子权值和粒子值得到状态估计值：
再将状态估计值代入预测模型易=毛+IV1:得到状态值； 步骤7 :根据步骤4至步骤6进行下一时刻运算，并循环进行直至机械故障预示完成。
2. 根据权利要求1所述一种基于LS-SVR建模的高阶粒子滤波器的故障预示方法，其特 征在于：步骤6中，由粒子权值和粒子值通过以下多步状态预测得到状态估计值：
【文档编号】H03H21/00GK104506162SQ201410775590
【公开日】2015年4月8日 申请日期:2014年12月15日 优先权日:2014年12月15日
【发明者】布树辉, 李城梁, 刘贞报 申请人:西北工业大学