[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

摘要

本发明提供一种基于LS-SVR建模的高阶粒子滤波机械故障预示方法，目的是通过提取从正常状态演化到故障状态的信号特征，用数据驱动的方式建立状态方程，并能够实现在线实时的预测。本发明对于提供的机械振动信号，提取相应的信号的特征，例如：时域的6种统计特性并应用LLE方法对其进行低维特征提取，然后利用LS-SVR构建m阶HMM模型，并用低维特征对其进行训练，最够将其融入到粒子滤波算法框架中构成m阶粒子滤波，最后对机械故障进行预示。本发明和现有预示方法相比较具有预示精度高，适用范围广的特点。

主权项

一种基于LS‑SVR建模的高阶粒子滤波器的故障预示方法，其特征在于：包括以下步骤：步骤1：对一组从正常状态演化到故障状态的信号通过滑动时间窗截取信号，截取的每一段信号作为一个样本，计算每一个样本的6种时域统计特征，时域统计特征包括峰值、平均幅值、均方根幅值、偏斜度指标和峭度指标；然后建立样本特征空间，并用局部线性嵌入方法对构建的样本特征空间进行低维特征提取，得到低维特征集；步骤2：将步骤1中得到的低维特征集作为样本训练和测试预测器，其中低维特征集中的奇数点作为训练集，偶数点作为测试集，训练集是用来得到预测模型，测试集是用来测试预测模型的预测的效果；步骤3：采用训练集训练最小二乘支持向量机，得到最小二乘支持向量机预测模型，将最小二乘支持向量机预测模型加上模型噪声组合成高阶隐马尔科夫模型：xk=x^k+vk-1]]>x^k=f(xk-1,xk-2,......,xk-m)]]>其中f()为最小二乘支持向量机预测模型，m为阶数，xk为在k时刻的状态值，为在k时刻的状态估计值，xk‑1,xk‑2,......,xk‑m为k时刻之前1时刻到前m时刻的状态值，vk‑1为k‑1时刻的模型噪声；步骤4：根据步骤3得到的高阶隐马尔科夫模型产生粒子集粒子集中的粒子个数为Ns，第i粒子表示0到k时刻的状态集，粒子集中各粒子对应权值为权值由得到，其中由k时刻目标状态的后验概率密度得到，zk表示k时刻的量测值；并将权值归一化为Σiωki=1;]]>步骤5：根据步骤4得到的权值判定粒子退化程度，若粒子退化到达设定条件，则进行粒子重采样，并计算重采样后粒子权值；步骤6：由粒子权值和粒子值得到状态估计值：x^k=Σi=1Nsωkixki]]>再将状态估计值代入预测模型得到状态值；步骤7：根据步骤4至步骤6进行下一时刻运算，并循环进行直至机械故障预示完成。