[发明专利]旋转机械装备关键零部件服役退化轨迹预测方法及设备

权利要求书

1.一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，其特征在于：包括以下步骤，

步骤1：利用加速度传感器采集旋转机械装备关键零部件运行过程中的多通道振动加速度数据；

步骤2：对采集的多通道振动加速度数据进行预处理，剔除数据的野点；然后根据预处理后的数据，计算得到旋转机械装备关键零部件的多通道健康因子时间序列；

步骤3：计算多通道健康因子时间序列的Hurst指数与分数阶数；

步骤4：基于四元数框架下加权增量分数阶卡尔曼滤波算法，建立退化预测模型，将多通道健康因子时间序列作为多通道输入，未来多通道健康因子退化时间序列作为预测输出；

步骤5：根据建立的退化预测模型，对未来退化趋势时间序列进行预测跟踪，进而实现预测性维护。

2.根据权利要求1所述的旋转机械装备关键零部件服役退化轨迹预测方法及设备，其特征在于：其中步骤3的计算多通道健康因子时间序列的Hurst指数与分数阶数；具体步骤如下：

根据重标极差法估计Hurst指数，对于单通道随机时间序列X(t),其Hurst指数方法估计方法为，

其中R(n)为数据重整化范围，S(n)为标准差，即则Hurst指数H(i),i＝1:k，k为通道个数。

3.根据权利要求2所述的旋转机械装备关键零部件服役退化轨迹预测方法及设备，其特征在于：对于单通道时间序列数据的Hurst指数H可通过在对数图上绘制log(R(n)/S(n))与log(S(n))的曲线得到。对于多通道时间序列数据，其Hurst指数为则分数阶数γ为γ＝H-0.5。

4.根据权利要求1所述的旋转机械装备关键零部件服役退化轨迹预测方法及设备，其特征在于：步骤4所述的基于四元数框架下加权增量分数阶卡尔曼滤波算法，建立退化预测模型，将多通道健康因子时间序列作为多通道输入，未来多通道健康因子退化时间序列作为预测输出，具体步骤如下：

步骤4.1：根据经典分数阶扩展卡尔曼滤波方法，其离散非线性系统动态方程为，

其中，x_k为在时刻k的状态向量，u_k为系统输入，y_k为系统输出，γ∈为分数阶数，f(·)与h(·)分别为非线性状态转移函数与测量函数；参数w_k和v_k为相互独立且服从正态分布的白噪声，其中参数w_k是k时刻的系统噪声或过程激励噪声，v_k是k时刻的测量噪声或输出噪声；分数阶的后向差分为，

系数表示为，

步骤4.2：根据分数阶扩展卡尔曼滤波方法的递推更新方程进行改进，其递推更新预测模型为，

其中，为状态转移矩阵，K_k为卡尔曼滤波增益，为测量矩阵，P_k为估计误差协方差矩阵，状态向量x_k与估计误差协方差矩阵的初始值分别为系数Ω是正常数；系统噪声的协方差矩阵为测量噪声的协方差矩阵为

步骤4.3：引入加权系数增量项和累积长记忆特征，则状态预测模型为，

其中，参数η为学习速率，且η0，α为惯性系数，且0α1，

步骤4.4：非线性状态转变函数为，

其中，矩阵为系统输入偏置矩阵，上述非线性状态转变函数的第1行最后1个值q_a-1不存在，故替换为0；

步骤4.5：计算公式(7)非线性状态转变函数的Jacobian矩阵J，得到，

其中，矩阵J的大小为10×10，矩阵J也是分数阶扩展卡尔曼滤波方法中状态转移矩阵F；子矩阵A为子矩阵A大小为4×7，子矩阵B为子矩阵B大小为3×7，子矩阵C为子矩阵C大小为3×3；

步骤4.6：根据四元数的共轭旋转变换运算，测量函数h(x)为，

非线性测量函数h(x)的Jacobian矩阵H(x)为，

其中，矩阵

5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-4任意一项所述的方法步骤。