[发明专利]一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法

权利要求书

1.一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，包括以下步骤：

训练阶段：

(1)利用实验平台对轴承数据进行收据采集；

(2)利用通过RNN-FW方法对对象进行特征提取；

(3)在HMM的基础上优化参数组成HMM-FW；

(4)将训练数据导入深度学习网络，生成实验对象的RUL；

测试阶段：

(1)将测试样本输入已经训练好的HMM-FW模型中进行退化曲线预测；

(2)对测试数据整个全寿命周期里的完整退化趋势进行复原；

(3)计算出测试样本的RUL；

分析阶段：

(1)将测试对象的训练RUL和测试的RUL进行对比；

(2)通过曲线对比将故障进行分类。

2.根据权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，所述步骤1中原始数据集为采集的水平方向和垂直方向的机械设备内部组件的振动信号。

3.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，从实验对象的振动原始信号中提取时域特征、时频域特征和三角函数特征，形成振动特征集合。

4.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，通过所提的HMM-FW进行优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得深度神经网络寿命预测模型。

5.如权利要求1述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，按照实验要求分别采取了以下三种轴承工作状况下的振动信号，没有采集其他特征信息，如温度系信息，因为没有合适设备对多种特征信息进行处理；

三种工况下的轴承波形图：负载为3500N，转速1800r/min；负载为4000N，转速为1650r/min；负载为5000N，转速为1500r/min。

6.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，本方法可以来修正当前系统状态，它假定一组存在的粒子来模拟系统的真实状态，然后通过对概率函数的求解，从而摆脱非线性模型的高斯限制，当前卡尔滤波等传统预测方法很难解决当前非线性且相对复杂的场景，但是使用粒子波算法可以很好地解决这一问题，其中kx是系统在kt时刻的状态，kw为kt时刻独立同分布的系统噪声，上式通常公式(1)被称为状态转移方程；在大多数情况下不能直接观测系统的状态，但可以根据系统状态和测量数据之间的关系来估计；kt时刻的关系如下所示：

x_k＝f(x_A+1,W_k)

z_k＝h(x_k,v_k)。

7.如权利要求4所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，采用时间相关性和变量相关性的敏感特征选择，通过构架一个基于RNN-FW的健康指示器，可以保留有益于阐明降解过程的特征,其中相似性特征RS计算方法如公式所示，它被定义为在运行时刻振动波形和初始时刻的波形的相似程度；

8.如权利要求6所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，将待测数据样本输入已训练好的模型λ中，计算该模型的输出概率P；因为模型在正常工况下下的训练得到的，所以P代表了正常轴承运行时产生数据的概率，因此输入测试的概率数据和正常轴承产生的概率的偏离程度；偏离程度越小，则数据由正常轴承产生的概率越大，即实际产生数据的轴承处于正常状态的概率就越大；反之轴承处于失效状态的概率就越大；因此，这和评估系统可以描述轴承的性能。

9.如权利要求6所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，将时间序列的影响引入到神经网络模型，因为RNN可以将过去时刻的状态带入到当前时刻，这是由于模型中加入了具有内部动态的隐含层，使得模型具有记忆功能，因此对于时间序列的处理具有良好性能。