基于改进粒子滤波算法的设备剩余寿命预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106845866A(43)申请公布日2017.06.13(21)申请号201710107434.5(22)申请日2017.02.27(71)申请人四川大学地址610065四川省成都市武侯区一环路南一段24号(72)发明人苗强张新刘志汶王磊张恒孙冬宁(74)专利代理机构成都虹桥专利事务所(普通合伙)51124代理人吴中伟(51)Int.Cl.G06Q10/06(2012.01)G06Q10/04(2012.01)权利要求书2页说明书8页附图7页(54)发明名称基于改进粒子滤波算法的设备剩余寿命预测方法(57)摘要本发明涉及机电设备的故障预测领域，公开了一种基于改进粒子滤波算法的设备剩余寿命预测方法，提高设备寿命预测的精度。本发明所采用的改进粒子滤波算法包括重要性采样阶段和重采样阶段，在重要性采样阶段引入无迹卡尔曼滤波方法更新粒子，生成建议分布，从而抑制粒子退化；在重采样阶段增加马尔科夫链蒙特卡洛步骤，抑制样本枯竭。本发明适用于锂电池、滚动轴承、齿轮箱。CN106845866ACN106845866A权利要求书1/2页1.基于改进粒子滤波算法的设备剩余寿命预测方法，所采用的改进粒子滤波算法包括重要性采样阶段和重采样阶段，其特征在于，在重要性采样阶段引入无迹卡尔曼滤波方法更新粒子，生成建议分布，从而抑制粒子退化；在重采样阶段增加马尔科夫链蒙特卡洛步骤，抑制样本枯竭。2.如权利要求1所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，生成建议分布的步骤包括：根据前一时刻粒子的状态值及粒子的初始方差计算前一时刻粒子的sigma点集；将前一时刻粒子的sigma点集中的点带入粒子状态方程，得到当前时刻的粒子sigma点集；对当前时刻的粒子sigma点集加权求和，从而得到当前时刻粒子的期望；做当前时刻粒子的期望与当前时刻粒子的sigma点集的方差，并对所得方差进行加权求和，得到当前时刻粒子的方差的时间更新值；将当前时刻粒子的sigma点集中的点以及前一时刻粒子的sigma点集中的点带入粒子状态方程，从而得到当前时刻粒子的观测值；对当前时刻的粒子的观测值加权求和，得到当前时刻粒子的观测值的更新值；基于当前时刻的粒子sigma点集、当前时刻粒子的期望、当前时刻的粒子的观测值、当前时刻粒子的观测值的更新值，计算得到当前时刻的粒子的方差的量测更新值；计算当前时刻粒子的方差的修正系数；基于当前时刻粒子的方差的时间更新值、当前时刻的粒子的方差的量测更新值、当前时刻粒子的方差的修正系数，计算得到当前时刻粒子的方差的修正值；用当前时刻粒子的期望、当前时刻粒子的方差的修正值作为高斯分布的期望与方差，生成建议分。3.如权利要求1或2所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，马尔科夫链蒙特卡洛步骤包括：抽取阈值u～U[0,1]，从建议分布中抽样得到粒子的候选状态利用粒子的候选状态计算其接受概率A，若u≤A，则接受即：否则丢弃进行重采样并保留重采样的粒子即：4.如权利要求3所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，具体步骤包括：(1)建立预测模型；(2)对退化性能评估，并选取敏感特征作为退化特征；(3)对选取的原始退化特征进行预处理；(4)在预测模型的基础上，从退化特征的历史数据中获取先验信息；(5)根据退化模型分布及模型中各参数的初始信息，对改进粒子滤波算法进行初始化；(6)利用改进粒子滤波算法依次对各个时刻进行迭代估计和外推预测两个过程，当退化状态预测值小于或等于失效阈值时，预测结束；(7)对所有粒子样本的状态进行统计，得到最终的预测结果。5.如权利要求4所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，2CN106845866A权利要求书2/2页步骤(1)的预测模型中，预测对象的系统状态更新方程与量测方程分别为：xk＝fk(xk-1,vk-1)zk＝hk(xk,nk)其中，xk表示当前时刻的系统状态值，zk表示当前时刻含有加性噪声的量测值，vk-1为前一时刻的过程噪声，nk为当前时刻的量测噪声，k∈N，N粒子个数，且过程噪声与量测噪声均为平稳噪声序列。6.如权利要求4所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，步骤(3)对原始特征进行平滑和单调化的预处理。7.如权利要求4所述的基于改进粒子滤波算法的设备剩余寿命预测方法，其特征在于，先验信息包括退化特征随变量的分布图及预测模型中各参数的初始值。3CN106845866A说明书1/8页基于改进粒子滤波算法的设备剩余寿命预测方法技术领域[0001]本发明涉及机电设备的故障预测领域，尤其涉及基于改进粒子滤波算法的设备剩余寿命预测方法。背景技术[0002]随着人