[发明专利]一种轴承故障预测方法

权利要求书

1.一种轴承故障预测方法，其特征在于，包括以下步骤：

S1从轴承振动信号中提取表征所述轴承振动信号的状态的轴承振动信号特征向量；

S2通过灰色关联度分析，剔除所述轴承振动信号特征向量中的信号干扰量，得到筛选后的轴承振动信号特征向量；

S3根据筛选后的轴承振动信号特征向量建立预测模型，输出轴承故障预测特征向量，具体包括：

S31以所述步骤S2中得到的筛选后的轴承振动信号特征向量x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}作为初始数列输入，调用GM(1,1)模型，得到下一个预测数据值

S32将所述预测数据值追加至初始数列中，同时剔除初始数列中开端数据x⁽⁰⁾(1)，将初始数列进行更新，形成1次更新数列以所述1次更新数列作为输入，重复建立改进的GM(1,1)模型，得到预测模型在1次更新中的预测方程；

S33重复所述步骤S32进行i次更新迭代，形成i次更新数列以所述i次更新数列作为输入，得到预测模型在i次更新中的预测方程；

S34经过i次更新的预测模型的平均相对残差或精度不再发生变化时，结束更新迭代，输出轴承故障预测特征向量；

S4从所述轴承故障预测特征向量中选取训练样本，根据训练样本构建故障判别二叉树。

2.根据权利要求1所述的轴承故障预测方法，其特征在于，在步骤S3中，预测模型在i次更新中的预测方程为：

xΛ(0)(k+1)=(1-eai)[x(0)(i+1)-biai]e-aik,(k∈{i+1,...,n,...,n+i},1≤i<n)]]>

式中，a_i和b_i分别表示预测模型在i次更新中的发展系数和灰作用量。

3.根据权利要求1所述的轴承故障预测方法，其特征在于，所述步骤S4中，根据N类故障类型，选取N个训练样本类，N个训练样本类组成集合，根据多分类支持向量机，组成N-1个二类分类器，构建所述故障判别二叉树。