一种基于增强型粒子滤波的轴承寿命预测方法
【技术领域】
[0001] 本发明涉及一种轴承寿命预测方法，尤其是一种基于增强型粒子滤波的轴承寿命 预测方法。
【背景技术】
[0002] 众所周知，由轴承故障导致的旋转机械不能正常工作的现象屡见不鲜（比如由通 用电器和IEEE工业应用学会联合主持的电机可靠性学习中发现由轴承引起的问题占了整 个机器故障的40%以上）。因而轴承的故障诊断和寿命预测研宄得到了工业界和学术界的 普遍关注。
[0003] 传统的轴承故障诊断是针对已出现故障的轴承信号进行识别与分类，而轴承的寿 命预测则是在故障发生之前对机械部件进行连续跟踪监测，并基于提取的跟踪特征建立模 型对轴承的剩余寿命提前进行预测。因此，轴承的寿命预测研宄对于降低停机时间、保证产 品质量、提尚生广效率有着极为重要的意义。
[0004] 在现有轴承寿命预测技术当中，粒子滤波算法由于可以解决具有严重非线性信号 的预测问题，因此在轴承寿命预测领域得到了较好的应用。然而，传统粒子滤波算法存在着 粒子退化、粒子多样性丧失等问题，严重影响着轴承寿命预测的准确性和可靠性。对于这个 问题，当前没有公开的解决办法。
【发明内容】
[0005] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于增强型粒子滤 波的轴承寿命预测方法，利用增强型粒子滤波算法融合了自适应重要性密度函数选择方法 以及基于神经网络的粒子平滑算法，提高了预测的准确性。
[0006] 技术方案：为实现上述目的，本发明采用的技术方案为：一种基于增强型粒子滤 波的轴承寿命预测方法：其特征在于，包括数据采集设备；
[0007] 该方法具体包括以下步骤：
[0008] 1)在时间t = 1时刻，通过数据采集设备采集fs个轴承振动数据点，fs为数据采集 设备的采样频率，利用递归定量分析方法对采集到的轴承振动数据点提取递归熵特征RP 1;
[0009] 2)在时间t = t+Ι时刻，通过数据采集设备采集fs个轴承振动数据点，利用递归 定量分析方法对采集到的轴承振动数据点提取递归熵特征RP t，并记录；反复迭代t = t+1 并记录所有递归熵特征RPt，直到t>400时进入步骤3);
[0010] 3)计算RPr RP 4QQ这400个递归熵特征的平均值μ汲标准差σ h，设定健康阈值 thi= μ h+5 O h；
[0011] 4)令t = t+1，通过数据采集设备采集仁个轴承振动数据点，利用递归定量分析 方法对采集到的轴承振动数据点提取当前时刻下的递归熵特征RP t;若此时RP Ath1，则进 入步骤5);否则返回重复步骤4);
[0012] 5)计算1^\、1^\_1~1?\_58、1?\_ 59这60个递归熵特征的平均值以{及标准差〇{，并 设定故障阈值th2= μ f+12〇f;
[0013] 6)利用RPt、RPh…RPt_58、RP t_59这60个递归熵特征构建自回归模型；所述自回归 模型的构建方法是对RPt、RP w…RPt_58、RPt_59这60个递归熵特征采用赤池信息量准则确定 模型阶数p，采用伯格算法确定模型系数 ai、a2~ap以及模型噪声ε t;
[0014] 7)设定时间参数k = t，利用：< =+ $ x randn产生包含ioo个粒子的粒子 群"彳=1，2，...，100}，每个粒子对应权值为>(=0.01，/ = 1，2，_..，100}，其中1为粒子序号； randn为正态分布随机数；计算粒子群均值^以及粒子群的标准差〇 k; p
[0015] 8)利用Zit I = i_, + ?) X randn + 0·0〖X randn 求出 k+1 时刻递归熵特征 M 观测值；
[0016] 其中j为模型阶数P的序号，也是模型阶数P在求和公式中的变量； P
[0017] 利用夂+1 = qxi + + (a + <7,) X randn 分别求出 k+i 时刻 100 个粒子 的更新值，计算新粒子群= 1，2，...，1〇〇}的均值&+1及标准差σ k+1;
[0018] 9)利用以下公式计算每个粒子对应的权值Μ+ρ?_ = 1，2，..·，100}:
【主权项】
1. 一种基于增强型粒子滤波的轴承寿命预测方法：其特征在于，包括数据采集设备； 该方法具体包括以下步骤： 1) 在时间t= 1时刻，通过数据采集设备采集fs个轴承振动数据点，fs为数据采集设 备的采样频率，利用递归定量分析方法对采集到的轴承振动数据点提取递归熵特征RP1; 2) 在时间t=t+1时刻，通过数据采集设备采集fs个轴承振动数据点，利用递归定量 分析方法对采集到的轴承振动数据点提取递归熵特征RPt，并记录；反复迭代t=t+1并记 录所有递归熵特征RPt，直到t>400时进入步骤3); 3) 计算RPfRPg这400个递归熵特征的平均值yh及标准差〇 h，设定健康阈值咖 =yh+5 〇 h； 4) 令t=t+1，通过数据采集设备采集fs个轴承振动数据点，利用递归定量分析方法 对采集到的轴承振动数据点提取当前时刻下的递归熵特征RPt;若此时RPAthi，则进入步 骤5);否则返回重复步骤4); 5) 计算RPpRPg…RPt_58、RPt_59这60个递归熵特征的平均值y{及标准差〇 f，并设定 故障阈值th2=yf+12〇f; 6) 利用RPt、RPh…RPt_58、RPt_59这60个递归熵特征构建自回归模型；所述自回归模型 的构建方法是对RPt、RPW…RPt_58、1?\-59这60个递归熵特征采用赤池信息量准则确定模型 阶数P，采用伯格算法确定模型系数以及模型噪声et; 7) 设定时间参数k=t，利用
产生包含100个粒子的粒子 群_!〇 = 1二...J00[，每个粒子对应权值为K=0.01，/ = 1二...J00!，其中i为粒子序号；randn为正态分布随机数；计算粒子群均值xk以及粒子群的标准差〇 k; 8) 利用
1求出k+1时刻递归熵特征观测 值； 其中j为模型阶数P的序号，也是模型阶数P在求和公式中的变量； 利用
分别求出k+1时刻100个粒子的更 新值，计算新粒子群= …，100}的均值&+1及标准差〇 k+1; 9) 利用以下公式计算每个粒子对应的权值!4p/zH.JOO}:
并利用公式
对粒子权值进行标准化； i〇)以新粒子群w二丨为训练输入，以新粒子群每个粒子对应的权值 P/ = 1,2,…,100!-为训练输出；利用梯度下降算法训练得到一个3层后向神经网络MBP，将 -K ,100}作为测试输入代入mbp当中，通过以下公式计算得到网络输出：
11) 利用重采样方法产生一个新的粒子群试+1，/ = 1，2,..，100丨，每个粒子具有相同的权 值 1/100 ; 12) 利用以下公式计算k+1时刻递归熵特征的预测值::
若毛+1>th2，则当前时刻轴承寿命预测结束，此时轴承的剩余使用寿命被预测为k+1-t;否则令RP尸毛+1，且RPt_s=RPt_s_i，其中s= 1，2,…，59,k=k+1，返回步骤 8); 13) 返回步骤4)对下一时刻的轴承寿命进行预测，直到步骤4)中的RPt>th2，整个寿命 预测过程结束。
2.如权利要求1所述的一种基于增强型粒子滤波的轴承寿命预测方法：其特征在于， 步骤11)中，具体重采样方法的步骤为： 11. 1)设置 1 = 1，m= 1 ; 11.2)如果1〈100,从均匀分布[0，1]当中随机采样一个数a;否则重采样结束； 11. 3)如果m= 100,粒子被复制进入新的粒子群，并令m= 1，1 = 1+1，返回步骤 11. 2);如果m〈100,计算权值的和
.；如果sum>a，则粒子.匕被复制进入新的粒 子群，1 = 1+1，回到步骤11. 2);否则m=m+1，返回步骤11. 3)。
【专利摘要】本发明公开了一种基于增强型粒子滤波的轴承寿命预测方法，针对传统粒子滤波算法存在的粒子退化、粒子多样性丧失等问题，分别提出自适应重要性密度函数选择算法以及基于神经网络的粒子平滑算法，改进了传统的重要性密度函数确定方法以及重采样算法，以此为基础提出了增强型粒子滤波算法，并设计了一种基于增强型粒子滤波的轴承剩余使用寿命预测方法，该方法能够在多步迭代以后，有效抑制粒子退化现象以及粒子贫化现象，提前准确地预测轴承的剩余使用寿命。
【IPC分类】G06Q10-04, G06F17-50
【公开号】CN104778340
【申请号】CN201510231101
【发明人】严如强, 钱宇宁
【申请人】东南大学
【公开日】2015年7月15日
【申请日】2015年5月7日