基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法

摘要

基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法，在指标计算部分，首先从轴承振动信号中提取原始特征，采用相关性聚类方法对提取的原始特征进行聚类，然后从各类中选取一个典型特征构成最优特征集，最后采用加权融合方法将特征集融合为最终的衰退指标；在寿命预测部分，先对衰退指标进行平滑处理和重采样，将时间间隔调整为期望值，采用最小二乘拟合计算状态空间模型初始参数，然后根据新的观测数据对模型参数进行实时更新，最后预测轴承剩余寿命，本发明寿命预测结果与真实值差异小，应用效果好。

主权项

基于特征融合和粒子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：第1步，从轴承振动信号中提取M个原始特征，根据各特征之间的相关性系数大小，采用相关性聚类方法对提取的原始特征进行聚类，聚类原则为：类内特征相关性最大，类间特征相关性最小，聚类方法具体过程如下：1.1计算M个原始特征的相关系数矩阵，并初始化聚类数K；1.2选择相关系数最小的两个特征为第一类和第二类的中心，然后选择与已有类中心平均相关系数最小的特征为下一类的中心，直到选出K个类中心为止；1.3将剩余的M‑K个特征依次归入与其平均相关系数最大的类中；第2步，防止同类特征间的信息冗余，从各类中选取一个典型特征构成最优特征集，采用加权融合方法将特征集融合为最终的衰退指标，过程如下：2.1计算M个原始特征的趋势性指标，计算公式为$T=\frac{N\underset{t=1}{\overset{N}{\Sigma }}(t·F_t)-\underset{t=1}{\overset{N}{\Sigma }}t·\underset{t=1}{\overset{N}{\Sigma }}{F}_t}{\sqrt{\left[N\underset{t=1}{\overset{N}{\Sigma }}{t}^2-{\left(\underset{t=1}{\overset{N}{\Sigma }}t\right)}^2\right]\left[N\underset{t=1}{\overset{N}{\Sigma }}{F_t}^2-{\left(\underset{t=1}{\overset{N}{\Sigma }}{F}_t\right)}^2\right]}}$其中，N是原始数据长度，F_t是第t次采样的特征指标，趋势性指标取值范围为：‑1≤T≤+1；2.2从各类特征中选择趋势性指标最大的特征组成最优特征集；2.3归一化特征值，计算正常状态空间的特征均值矢量：$V_i=\frac{1}{p}\underset{t=1}{\overset{p}{\Sigma }}{\bar{F}}_{i,t},(i=1,\mathrm{...},K)$其中，p为正常状态空间维数；2.4归一化最优特征集的趋势性指标；$W_i=\frac{\left|T_i\right|}{\underset{i=1}{\overset{K}{\Sigma }}\left|T_i\right|},(i=1,\mathrm{...},K)$2.5计算归一化特征集与正常状态空间均值V的曼哈顿距离，并用归一化趋势性指标进行加权，得最终的衰退指标：$D_t=\underset{i=1}{\overset{K}{\Sigma }}(W_i·|{\bar{F}}_{i,t}-V_i\left|\right),(t=p+1,\mathrm{...},N);$第3步，对衰退指标进行平滑处理，以消除噪声影响，将时间间隔调整为期望值，对指标进行重采样；再采用最小二乘拟合对已知数据序列进行曲线拟合，得到状态空间模型初始参数；然后根据新的观测数据对模型参数进行实时更新；最后对未来时刻的轴承状态进行预测，统计各粒子达到失效阈值的时间，计算剩余寿命概率分布情况。