[发明专利]滚动轴承集成期望最大化和粒子滤波的寿命预测方法

说明书

技术领域

本发明涉及滚动轴承剩余寿命预测技术领域，具体涉及滚动轴承集成期望最大化和粒子滤波的寿命预测模型。

背景技术

滚动轴承广泛应用于机械设备中，由于复杂多变的工况，滚动轴承故障时有发生。为了保证设备的安全运行，传统定期维修策略需要投入大量人力物力对滚动轴承进行定期检修，对存在故障或安全隐患的滚动轴承进行更换。滚动轴承从发生故障到完全失效往往经历很长的衰退期，对存在早期故障的滚动轴承进行更换势必会大大缩短滚动轴承的有效服役周期，造成资源的浪费。采用预防性维修策略，对滚动轴承的剩余寿命进行有效预测，可以延长滚动轴承的有效服役周期，提高经济效益。因此如何对滚动轴承进行有效剩余寿命预测正受到国内外学者的广泛关注。

基于模型的滚动轴承剩余寿命预测方法，试图采用物理或数学模型对滚动轴承的衰退趋势进行描述，并根据观测数据对模型参数进行评估，以预测滚动轴承未来时刻健康衰退趋势和剩余寿命。美国普渡大学Gebraeel等人提出的指数预测模型与滚动轴承加速衰退趋势相适应，因此在滚动轴承剩余寿命预测中得到广泛应用。在指数预测模型中，模型参数和状态评估的准确性是影响模型预测精度的两个关键因素。Gebraeel最先提出的指数预测模型采用贝叶斯框架对模型参数进行评估。为了提高参数评估的准确性，清华大学司小胜等人对指数模型进行改进，采用期望最大化和贝叶斯更新相结合的方法对模型参数进行评估，得到了较好的参数评估效果。但是以上研究工作都存在一个弊端，即直接将滚动轴承观测值作为状态值进行寿命预测，没有对滚动轴承的真实健康状态进行评估。实际上，观测值与滚动轴承真实状态之间存在一定差异，而且观测值中有大量随机噪声的干扰。因此，传统指数预测模型只对模型参数进行评估而忽略了对滚动轴承状态的评估，导致模型预测精度降低。

发明内容

为了克服上述现有技术存在的缺点，本发明的目的在于提供滚动轴承集成期望最大化和粒子滤波的寿命预测模型，采用期望最大化方法对模型参数进行评估，采用粒子滤波对滚动轴承状态进行评估，以提高指数模型的预测精度。

为了达到上述目的，本发明采取的技术方案为：

滚动轴承集成期望最大化和粒子滤波的寿命预测模型，包括以下步骤：

1)实时监测并采集滚动轴承振动信号，计算滚动轴承峭度指标和有效值；

2)计算滚动轴承健康时刻峭度指标的均值μ和标准差σ，以确定健康状态下峭度指标的3σ区间[μ-3σ,μ+3σ]；

3)判断滚动轴承连续l+1个时刻的峭度指标{m_p+i}_i＝0:l是否满足{|m_p+i-μ|＞3σ}_i＝0:l，如果满足该条件，则确定m_p所对应的时刻t_p为寿命预测的起始时刻；

4)从寿命预测起始时刻开始，将滚动轴承振动信号有效值带入衰退模型：

其中，x_i为t_i时刻状态值，是已知常数，θ′，β′和σ为三个未知参数，σB(t_i)～N(0,σ²t_i)服从布朗运动，对上式求对数得到以下变形形式：

其中，θ＝ln(θ′)服从分布β＝β′-σ²/2服从分布且规定以简化计算；

对模型参数进行初始化，得初始参数μ₀＝μ_θ,0，μ₁＝μ_β,0和

5)从概率密度函数中进行随机采样，得到N_s个初始粒子粒子权值为其中Δt＝t_j-t_j-1为时间间隔；

6)t_k时刻得到观测序列S_1:k＝{s₁,s₂,...,s_k}，在参数已知条件下，观测序列的条件概率密度为：

根据贝叶斯理论得到参数θ和β的联合概率密度函数为：

由此得到参数更新公式如下：

采用以上公式对参数μ_θ,k,μ_β,k和进行更新；

7)为待评估的模型参数，计算似然函数：

似然函数的期望值为：