[发明专利]一种基于增强型粒子滤波的轴承寿命预测方法

摘要

本发明公开了一种基于增强型粒子滤波的轴承寿命预测方法，针对传统粒子滤波算法存在的粒子退化、粒子多样性丧失等问题，分别提出自适应重要性密度函数选择算法以及基于神经网络的粒子平滑算法，改进了传统的重要性密度函数确定方法以及重采样算法，以此为基础提出了增强型粒子滤波算法，并设计了一种基于增强型粒子滤波的轴承剩余使用寿命预测方法，该方法能够在多步迭代以后，有效抑制粒子退化现象以及粒子贫化现象，提前准确地预测轴承的剩余使用寿命。

主权项

一种基于增强型粒子滤波的轴承寿命预测方法：其特征在于，包括数据采集设备；该方法具体包括以下步骤：1)在时间t＝1时刻，通过数据采集设备采集f_s个轴承振动数据点，f_s为数据采集设备的采样频率，利用递归定量分析方法对采集到的轴承振动数据点提取递归熵特征RP₁；2)在时间t＝t+1时刻，通过数据采集设备采集f_s个轴承振动数据点，利用递归定量分析方法对采集到的轴承振动数据点提取递归熵特征RP_t，并记录；反复迭代t＝t+1并记录所有递归熵特征RP_t，直到t>400时进入步骤3)；3)计算RP₁～RP₄₀₀这400个递归熵特征的平均值μ_h及标准差σ_h，设定健康阈值th₁＝μ_h+5σ_h；4)令t＝t+1，通过数据采集设备采集f_s个轴承振动数据点，利用递归定量分析方法对采集到的轴承振动数据点提取当前时刻下的递归熵特征RP_t；若此时RP_t>th₁，则进入步骤5)；否则返回重复步骤4)；5)计算RP_t、RP_t‑1…RP_t‑58、RP_t‑59这60个递归熵特征的平均值μ_f及标准差σ_f，并设定故障阈值th₂＝μ_f+12σ_f；6)利用RP_t、RP_t‑1…RP_t‑58、RP_t‑59这60个递归熵特征构建自回归模型；所述自回归模型的构建方法是对RP_t、RP_t‑1…RP_t‑58、RP_t‑59这60个递归熵特征采用赤池信息量准则确定模型阶数p，采用伯格算法确定模型系数a₁、a₂…a_p以及模型噪声ε_t；7)设定时间参数k＝t，利用产生包含100个粒子的粒子群每个粒子对应权值为其中i为粒子序号；randn为正态分布随机数；计算粒子群均值x_k以及粒子群的标准差σ_k；8)利用求出k+1时刻递归熵特征观测值；其中j为模型阶数p的序号，也是模型阶数p在求和公式中的变量；利用分别求出k+1时刻100个粒子的更新值，计算新粒子群的均值及标准差σ_k+1；9)利用以下公式计算每个粒子对应的权值并利用公式对粒子权值进行标准化；10)以新粒子群为训练输入，以新粒子群每个粒子对应的权值为训练输出；利用梯度下降算法训练得到一个3层后向神经网络M_BP，将作为测试输入代入M_BP当中，通过以下公式计算得到网络输出：11)利用重采样方法产生一个新的粒子群每个粒子具有相同的权值1/100；12)利用以下公式计算k+1时刻递归熵特征的预测值若则当前时刻轴承寿命预测结束，此时轴承的剩余使用寿命被预测为k+1‑t；否则令且RP_t‑s＝RP_t‑s‑1，其中s＝1,2,…,59，k＝k+1，返回步骤8)；13)返回步骤4)对下一时刻的轴承寿命进行预测，直到步骤4)中的RP_t>th₂，整个寿命预测过程结束。