[发明专利]基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法

权利要求书

1.一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：

从滚动轴承的振动信号中提取多维特征，并通过带有马氏距离度量算子的自组织映射神经网络进行降维，构建健康指标；

基于健康指标构建滚动轴承的自适应退化阈值，采用连续触发机制划分滚动轴承的健康阶段和退化阶段；

通过考虑不等采样间隔的指数退化模型，对滚动轴承的剩余寿命进行预测。

2.根据权利要求1所述的一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，其特征在于，具体包括以下步骤：

1)根据滚动轴承的失效形式，基于采集的滚动轴承振动信号，进行特征的提取和筛选，构建多维敏感特征集；

2)通过训练后的带有马氏距离度量算子的自组织映射神经网络，将多维敏感特征集中的多维敏感特征映射到低维空间，构建滚动轴承的健康指标；

3)基于滚动轴承的健康指标，构建滚动轴承的动态失效阈值，并采用连续触发机制作为判断退化的方法，实现滚动轴承健康阶段和退化阶段的划分；

4)建立考虑不等采样间隔的指数退化模型，基于滚动轴承退化阶段的健康指标数据，通过期望最大化算法进行退化模型参数的更新；

5)根据更新后的退化模型参数，通过平方根容积卡尔曼滤波进行滚动轴承健康状态的更新，并计算滚动轴承剩余寿命的点估计和概率密度估计。

3.根据权利要求2所述的一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，其特征在于，步骤1)中具体步骤如下：

根据滚动轴承的失效形式，基于采集的滚动轴承历史失效样本，分析采集的滚动轴承振动信号，计算时域、频域和时频域的多个相关特征，包括均方根、峰值和小波能量熵等，计算各相关特征与运行时间序列之间的Spearman相关系数，筛选出Spearman相关系数高于平均值的特征作为初选敏感特征，再计算初选敏感特征的协方差矩阵，依据特征之间的相关性，排除冗余特征，确定多维敏感特征集。

4.根据权利要求2所述的一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，其特征在于，步骤2)中具体步骤如下：

选取一段滚动轴承平稳运行期的数据，作为健康阶段的随机样本，计算多维敏感特征集中的特征，进行归一化，并计算平稳运行期内敏感特征的均值和协方差；

通过平稳运行期内敏感特征，训练带有马氏距离度量算子的自组织映射神经网络；

通过训练后的带有马氏距离度量算子的自组织映射神经网络，将多维敏感特征映射到低维空间，构建滚动轴承的健康指标。

5.根据权利要求2所述的一种基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法，其特征在于，步骤3)中具体步骤如下：

根据滚动轴承的健康指标，计算滚动轴承的动态失效阈值z＝Q₃+1.5IQR，IQR＝Q₃-Q₁，式中，Q₃为初始时刻到当前时刻的健康指标的第三分位数，Q₁为初始时刻到当前时刻的健康指标的第一分位数，IQR为两分位数之差；

根据该失效阈值z判断滚动轴承的健康状态，设定当健康指标连续n次超过失效阈值z且n次健康指标呈递增趋势时，判断滚动轴承进入退化阶段，从而实现滚动轴承健康阶段和退化阶段的划分。