[发明专利]基于LS-SVR建模的高阶粒子滤波器的故障预示方法

说明书

技术领域

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

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。

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。

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。

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究和分析，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——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。

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。

但上述两种预测方法有几点不足：