[發明專利]一種基于自適應模型粒子濾波算法的軸承壽命預測方法

在審

• 申請號: 202211067564.8
• 申請日: 2022-09-01
• 公開（公告）號: CN115481568A
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 崔玲麗;李文杰;王華慶;喬文生
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00;G06Q10/00;G06Q10/04;G06Q50/04;G06F111/08;G06F119/02;G06F119/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 王兆波

本發明公開了一種基于自適應模型粒子濾波算法的滾動軸承剩余使用壽命預測方法，該方法基于滾動軸承性能退化的演變規律，將退化過程劃分為健康、退化和失效三個階段。引入Box?Cox變換及3σ原則，準確地確定了軸承開始退化的時刻及失效閾值，實現了健康狀態的自主識別；針對單一預測模型難以準確跟蹤軸承退化狀態的難點，提出自適應模型匹配策略選擇最優濾波模型的方法，實現了退化狀態的動態追蹤；創新性地提出了基于已有數據的全局/局部信息融合方法預測軸承壽命，避免了單次預測的偶然性，從而獲得了剩余使用壽命概率密度函數的最佳估計。

技術領域

本發明屬于故障預測與健康管理技術領域，涉及一種基于自適應模型粒子濾波算法的滾動軸承剩余使用壽命預測方法

背景技術

滾動軸承作為旋轉機械的關鍵零部件，廣泛應用于各種機械設備中，其健康狀況對機械設備整體的使用壽命有著重要影響，因此對關鍵部位的滾動軸承進行狀態監測及剩余使用壽命預測具有重大意義。為此需要自主識別軸承的健康狀態，并對軸承的退化狀態進行動態追蹤，提出合適的壽命預測方法，從而有效地提高壽命預測的準確性。

目前，基于數據驅動的壽命預測方法無需建立物理失效模型，利用系統的健康狀態檢測數據跟蹤軸承的動態行為，獲得了更為廣泛的關注。數據驅動方法一般可分為機器學習方法和統計模型方法。機器學習方法是通過學習已有的歷史軸承狀態監測數據訓練一個預測模型，然后將其應用于目標軸承的剩余使用壽命(Remaining Useful Life，RUL)預測中，如人工神經網絡、支持向量機等。但是，該方法需要較多的訓練數據，訓練成本高，泛化能力差，因此具有一定的局限性。統計模型方法是建立一個數學統計模型以跟蹤退化過程，并根據經驗知識預測RUL。這種方法不需要掌握具體退化機理，也無需大量歷史訓練數據，計算成本相對較小，如維納過程方法、馬爾科夫過程方法、卡爾曼濾波方法、粒子濾波過程方法等。粒子濾波算法能夠用于非線性、非高斯系統的故障診斷和故障預測，更有利于估計系統的退化狀態，因此基于粒子濾波的壽命預測方法得到了越來越多的關注，但是，此類方法依賴經驗建立單一全局或局部退化模型，難以適應實際中復雜多變的狀況；同時，單次預測具有一定的偶然性，無法從統計意義上進行壽命的不確定性估計，導致預測的魯棒性和精確性較低。

發明內容

本發明的目的在于提供一種基于自適應模型粒子濾波算法的滾動軸承剩余使用壽命預測方法，以解決滾動軸承壽命預測中存在的問題。

為實現上述目的，本發明采用的技術方案為一種基于自適應模型粒子濾波的軸承剩余使用壽命預測方法，該方法基于滾動軸承性能退化的演變規律，將退化過程劃分為健康、退化和失效三個階段。引入Box-Cox變換及3σ原則，準確地確定了軸承初始退化時刻及失效閾值，實現了健康狀態的自主識別；針對單一預測模型難以準確跟蹤軸承退化狀態的難點，提出自適應模型匹配策略選擇最優濾波模型的方法，實現了退化狀態的動態追蹤；創新性地提出了基于已有數據的全局/局部信息融合方法預測軸承RUL，避免了單次預測的偶然性，從而獲得了RUL概率密度函數的最佳估計。

S1健康狀態識別；

首先利用軸承健康階段數據的概率密度分布信息確定軸承的初始退化時刻。如果軸承健康階段的數據服從高斯分布，則直接利用3σ原則確定退化閾值和失效閾值，進而確定初始退化時刻；如果該階段的數據不服從高斯分布，則引入Box-Cox變換，將非高斯分布的數據轉化為近似高斯分布，進而確定開始預測時刻。

Box-Cox變換如下：

式中：HI_i是軸承健康階段的第i個健康指數，r_i是經Box-Cox變換后的結果，ξ是Box-Cox的最佳變換參數，可以根據最大似然函數獲得：

式中：是r_i的平均值，N是軸承在有效工作期的數據點數。