CN105590023A - 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 - Google Patents

Abstract

一种专门针对滚动轴承性能退化趋势的模糊粒化预测方法，首先将滚动轴承的振动信号序列以EEMD分解并利用Shannon熵理论提取滚动轴承振动信号的性能退化指标序列，再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化，然后将粒化后的粒状信息输入给最小二乘支持向量机（LS-SVM）进行回归预测。本发明充分发挥了EEMD在滚动轴承性能退化渐变信息提取、信息熵在信息挖掘和LS-SVM在回归预测等方面的优势，不仅可以预测出滚动轴承在服役周期内的性能退化趋势，而且也可以有效的预测出滚动轴承在一个服役时间段内性能的变化波动范围。

Description

一种基于信息熵的滚动轴承性能退化模糊粒化预测方法

技术领域

本发明涉及一种滚动轴承性能退化趋势的预测方法，特别涉及一种基于香农(Shannon)信息熵和模糊信息粒化的滚动轴承性能退化趋势的模糊粒化预测方法。

背景技术

滚动轴承的性能退化是威胁旋转机械安全服役的主要问题，如果能够对滚动轴承的服役性能进行可靠预测，提前了解其变化趋势，即可避免危险因素累计超限和旋转机械骤然停机停产等恶性事件的发生。广义上讲，设备性能退化预测是针对目前正在运行的设备，判别设备的当前运行状态，分析设备当前状态的成因，预测设备未来的发展趋势，并提出可行的解决方案。其研究内容主要涉及机械动力学、材料学、信号处理技术、模式识别与人工智能、计算机技术等，其主要方法是依据机械动力学和材料学的理论，分析设备当前的运行状态信号，预测设备未来的运行状态趋势。

传统在滚动轴承的性能退化趋势预测过程中，有两个必要环节，即特征提取和趋势预测。在特征提取环节，技术人员是利用信号处理方法获取反映滚动轴承性能退化历程的特征指标量；在趋势预测环节，技术人员是利用人工智能、计算机技术建立预测模型，预测特征指标量未来的发展趋势，推理出滚动轴承未来的发展状态。在特征提取环节，振动信号是目前反映滚动轴承运行状态最直接的一种信号源，反映滚动轴承服役特性的振动信号特征本身十分微弱，并且信号特征还受到周围环境的干扰，导致所测得的服役历程振动信号具有强耦合、非线性、非平稳特质，精确提取滚动轴承的服役历程特征难度较大。在趋势预测环节，人工神经网络(ArtificialNeuralNetwork，ANN)，和支持向量机(SupportVectorMachine，SVM)是目前应用较多的智能预测模型，ANN收敛速度慢，容易出现过学习或欠学习而陷入局部极小，SVM的性能有一定提升，但是参数选择具有一定的随机性，因此要建立合理可靠的智能预测模型也并非易事。上述原因直接导致以振动信号源为基础对滚动轴承的性能退化趋势进行预测的研究，至今没有取得重大突破。

本发明不仅拓展了传统的设备性能退化趋势预测模式，而且针对每个环节也进行更新改进。在滚动轴承的性能退化趋势预测过程中，除了传统的特征提取和趋势预测环节外，增加了信息粒化环节，即形成了“特征提取→信息粒化→趋势预测”一体化趋势预测模式。这样的改进不仅可以实现滚动轴承的性能退化趋势预测，而且还可以在一个时间段内实现滚动轴承性能指标的波动范围预测。在特征提取环节，为了准确提取滚动轴承性能退化历程的振动状态特征，使用以集成经验模式分解(ensembleempiricalmodedecomposition，EEMD)为代表的现代时频分析方法对其非线性、非平稳信号进行处理，以信息熵作为非线性分析指标来表征信号复杂性和不规则性。EEMD与信息熵结合提取EEMD能谱熵能大大提高特征指标对滚动轴承服役特性的敏感性。在信息粒化环节，以三角型模糊粒子为基准，对滚动轴承的服役特征序列进行模糊信息粒化，使其能够合理的描述原窗口中的子序列信息。这样既滤除了连续过程信息中可能的冗余特征，又有效克服了间断信息采集中可能出现的不完备特征。在趋势预测环节，以最小二乘支持向量机(LeastSquaresSupportVectorMachines，LS-SVM)为理论基础，采用粒子群算法对LS-SVM的参数进行并行寻优，进而建立滚动轴承的性能退化趋势预测模型。随后利用该模型对滚动轴承信息粒化后的粒状信息序列，即LOU、R、UP三个参数序列分别进行预测，得出滚动轴承性能指标的退化趋势定量描述以及与之对应的指标范围描述。根据该描述信息，技术人员可以反演并推理出滚动轴承未来的发展状态。

发明内容

为了解决滚动轴承性能退化趋势预测过程中特征难以提取、模型难以构建等理论问题，本发明提出了一种基于信息熵的滚动轴承性能退化模糊粒化预测方法，所采用的技术方案是：采用EEMD对滚动轴承的时间历程序列振动信号进行处理，基于Shannon信息熵理论获取振动信号的能谱熵序列，采用信息粒化理论对能谱熵序列进行信息粒化，在LS-SVM框架下构建趋势预测模型，将滚动轴承的粒化信息输入给预测模型，最终实现滚动轴承性能退化趋势的有效预测。具体步骤如下：

步骤一，对在滚动轴承上采集的每一个振动信号以集成经验模式分解技术进行处理，分别得到多层内稟模态函数分量；

步骤二，对每个振动信号的所有内稟模态函数分量计算香农熵，得到按时间历程排列的n维特征向量，n为按时间历程采集的轴承信号数目；

步骤三，采用模糊信息粒化理论对n维特征向量进行模糊粒化，将整个时间序列信息，即n维特征向量划分为有限个子序列操作窗口，对每一个子序列操作窗口的信息通过数学表达方式进行模糊化；

步骤四，构建最小二乘支持向量机，将训练样本输入到最小二乘支持向量机，并采用粒子群对最小二乘支持向量机的参数进行并行寻优；

步骤五，将粒化后的粒状信息输入到优化后的最小二乘支持向量机，利用最优的最小二乘支持向量机迭代预测出滚动轴承的性能退化趋势及性能指标的波动范围，在对此预测模型的预测精度进行评价。

所述步骤一中对滚动轴承的振动信号进行集成经验模式分解技术进行处理过程为：采用集成经验模式分解技术，将滚动轴承的振动信号x(t)分解为多个内禀模态函数分量：

$x\left(t\right)=\underset{j=1}{\overset{m}{\Σ}}{c}_j\left(t\right)+r\left(t\right)$

式中c_j(t)为第j个内禀模态函数分量，r(t)是振动信号x(t)的趋势项，m为内禀模态函数分量的总层数。

所述步骤二中对振动信号的所有内稟模态函数分量计算香农熵的处理过程为：对振动信号的m层内禀模态函数分量进行幅值能量相加，得到各层内禀模态函数分量c_j(t)的瞬时幅值E_i：

$E_i=\underset{k=1}{\overset{N}{\Σ}}{\left|c_j\left(t_k\right)\right|}^2$

式中N为该内禀模态函数分量c_j(t_k)的数据点数。根据各个内禀模态函数分量能量，结合香农熵理论，计算出振动信号的能谱熵：

$H_E=-\underset{i=1}{\overset{m}{\Σ}}{p}_i\ln p_i$

式中p_i为第i个内禀模态函数在整个信号能量中的百分比，m为内禀模态函数分量的最大阶数，且p_i＝E_i/E，以上则完成了单次振动信号集成经验模式分解处理，对按时间历程采集的M次振动信号均依照上述方法进行处理，得到时间历程上的一个能谱熵序列H＝{H_E1,H_E2,…,H_EM}，M为整个时间历程上滚动轴承的振动信号数目。

所述步骤三中采用模糊信息粒化理论对M维能谱熵向量进行模糊粒化，是指在能谱熵序列H＝{H_E1,H_E2,…,H_EM}上，将整个时间序列信息划分为有限个子序列操作窗口，在子序列窗口中建立一个模糊粒子P，即一个能合理描述H的模糊概念G：

$P\stackrel{\mathrm{\Δ}}{=}\left(\begin{array}{ccc}x& is& G\end{array}\right)is\mathrm{\λ}$

式中，x∈U,G由隶属函数μ_G来描述，λ是可能性概率，采用三角型模糊信息粒对窗口信息进行模糊粒化，其隶属函数A为：

$A(x,a,m,b)=\left\{\begin{array}{cc}0,& x<a\\ \frac{x-a}{m-a},& a\&le;x\&le;m\\ \frac{b-x}{b-m},& m\&le;x\&le;b\\ 0,& x\&GreaterEqual;b\end{array}\right.$

式中，x为论域中的变量，a,m,b分别对应每个模糊信息粒中的3个参数，其中a代表该信息粒中的上限值，b代表该信息粒中的下限值，m代表该信息粒中的平均值。此时，即得到振动信号能谱熵的上限值序列a＝{a₁,a₂,…,a_J}，下限值序列b＝{b₁,b₂,…,b_J}，中间值序列m＝{m₁,m₂,…,m_J}，式中J代表粒化窗口的数目。

所述步骤四中将训练样本输入最小二乘支持向量机进行训练，是指求解如下优化问题，最小二乘支持向量机利用训练样本数据集合D＝{(x_i,y_i)，i＝1,2,…,n,x_i∈R^d,y_i∈R}，借助非线性映射函数非线性逼近于如下函数：

式中，w为权值向量，b为阈值向量，w和b是通过结构风险最小化原则求出的。最终的最小二乘支持向量机模型为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b$

式中，K(x,x_i)为正定核函数，且满足K(x,x_i)＝exp(-‖x-x^T‖²/(2σ²))，最小二乘支持向量机内部的惩罚参数c和核函数参数σ²是通过粒子群算法进行优化的，其优化算法如下：

v(t+1)＝wv_ij(t)+c₁r_1j(t)(p_ij(t)-x_ij(t))+c₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

式中，i＝1,2,…,n为粒子的编号，n为种群中粒子的数目，j为粒子的维数；w为惯性权值；t表示当前优化的代数；c₁和c₂为速度常数；r_ij为[0～1]之间的随机数；v_ij(t)表示第t代粒子i在j维的空间速度；p_ij(t)为第t代最优个体粒子i的j维值；p_gj(t)为第t代后所有粒子的历史最优解的j维值。

所述步骤五中将粒化后的粒状信息输入到优化后的最小二乘支持向量机进行性能退化趋势预测，是指将滚动轴承的能谱熵序列a,b,m分别输入到优化后的最小二乘支持向量机，通过最小二乘支持向量机的回归预测函数：

$f\left(x\right)=\mathrm{sgn}\&lsqb;\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b\&rsqb;$

的输出来决定粒状信息的预测值及其预测趋势，式中：

K(x,x_i)＝exp(-‖x-x_i‖²/σ²)

为高斯径向基核函数，它是一种允许支持向量核，σ为核函数参数，x_i为第i个训练样本，x为已知的粒状信息验证样本。

所述预测模型的预测精度是采用最小二乘支持向量机输出的预测结果与真实值的平均绝对误差，各类数据样本的预测精度均可以用如下公式来描述：

$E=\frac{\left|x-\hat{x}\right|}{M}$

式中，x为待预测样本的真实值，为最小二乘支持向量机的实际输出值，M为预测的所有样本点数，E则代表预测的平均绝对误差。

至此，即完成了滚动轴承性能退化指标“能谱熵信息粒化预测”的全过程。

本发明基于信息熵的滚动轴承性能退化模糊粒化预测方法，采用上述技术方案可以取得如下技术效果：

1)集成经验模式分解(EEMD)适合于处理强耦合、非线性、非平稳的滚动轴承振动信号，信息熵在描述信息的不确定性方面有显著优势，采用EEMD对振动信号进行处理，结合香农(Shannon)信息熵理论提取反映滚动轴承性能退化的特征指标量，该指标量较之其它的时域、频域指标量能更好的反映轴承的性能退化趋势，滚动轴承各个阶段的信息区分度有显著提高。

2)信息粒化可以将滚动轴承大量特性相似的信息元素组成一个信息块去研究其性能特性，对于滚动轴承的服役过程信息而言，每隔一定周期进行一次信息采集，以每次采集的过程信息作为粒状信息。采用信息粒化技术对滚动轴承服役历程上的性能退化指标序列进行模糊信息粒化处理，弥补了传统趋势预测模式中没有实现性能退化指标波动范围预测的缺陷。

3)粒子群(ParticleSwarmOptimization，PSO)算法是一种综合考虑群体中个体之间的信息传递及信息共享来寻找最优解的新型全局优化算法，最小二乘支持向量机(LS-SVM)用等式约束代替不等式约束对标准支持向量机进行了改进，采用PSO优化LS-SVM建立起来的滚动轴承性能退化趋势预测模型，较之传统的随机参数的支持向量机模型，在运算效率和运算准确率方面均有显著提高。

综上所述，本发明基于信息熵的滚动轴承性能退化模糊粒化预测方法，深入分析了传统滚动轴承性能退化趋势预测中的主要难点，综合了集成经验模式分解(EEMD)和信息熵理论在特征提取、信息粒化理论在特征处理以及优化的最小二乘支持向量机(LS-SVM)在趋势预测等方面的优势，形成由“特征提取→信息粒化→趋势预测”构建的一体化滚动轴承性能退化趋势预测模式，同时又维持了工程应用中的高精度、高效率、可推广性等要求，为滚动轴承性能退化指标的趋势预测提供了一种新途径。

附图说明

附图1是本发明步骤三中特征序列信息粒化的窗口划分示意图。

附图2是本发明基于信息熵的滚动轴承性能退化模糊粒化预测方法的工作原理示意图。

具体实施方式

下面结合附图2对本发明基于信息熵的滚动轴承性能退化模糊粒化预测方法的实施例作详细说明。本实施例的主要目的是通过集成经验模式分解(EEMD)和Shannon信息熵将振动信号中滚动轴承的性能退化指标提取出来，用信息粒化理论对滚动轴承能谱熵向量进行模糊信息粒化处理，用粒子群优化的最小二乘支持向量机实现滚动轴承能谱熵的迭代回归预测。实施例包括如下具体步骤：

步骤一，对在滚动轴承上采集的每一个振动信号以集成经验模式分解(EEMD)技术进行处理，分别得到多层内稟模态函数(IMF)分量；

进一步的，为了描述滚动轴承特征信息的不确定性，采用信息熵对其进行定量分析。把滚动轴承性能退化引起的信号波动看作是一组随机事件的响应，则信息熵可以用来描述这组随机事件的不确定性，信息熵越大，则随机事件的不确定性越明显，反之亦然。熵在电力系统、机械系统、生物医学系统的诊断领域已经取得了一些研究成果，集成经验模式分解(EEMD)将噪声辅助分析应用于经验模式分解中，克服了传统信号分析方法存在的混叠现象。将集成经验模式分解与信息熵结合起来，充分发挥各自优点，探寻能准确描述滚动轴承性能退化的定量指标量。

所述对每一个振动信号进行集成经验模式分解，是指对于滚动轴承的服役过程信息，每隔一定周期间隔进行一次信息采集，对采集的振动信号及时进行集成经验模式分解技术处理，得到多层内禀模态函数(IMF)分量：

$x\left(t\right)=\underset{j=1}{\overset{m}{\&Sigma;}}{c}_j\left(t\right)+r\left(t\right)$

式中c_j(t)为第j个内禀模态函数分量，r(t)是振动信号x(t)的趋势项，m为内禀模态函数(IMF)分量的总层数。

步骤二，对每个振动信号的所有内稟模态函数(IMF)分量计算香农(Shannon)熵，得到按时间历程排列的n维特征向量，n为按时间历程采集的轴承信号数目；

由于集成经验模式分解(EEMD)具有良好的时频分析能力，将EEMD与Shannon信息熵结合可以得到信号的能谱熵。滚动轴承随着服役历程的增长，其振动信号的频率成分以及各个频率成分的频谱能量都会发生变化。当振动信号经过EEMD分解后，各个IMF分量上包含了不同的频率成分分量，每个IMF分量相当于一个随机事件发出的信息，根据各个IMF分量能量，可以计算信号的能谱熵。

计算香农(Shannon)熵，是指把每个振动信号的各个内稟模态函数(IMF)分量均对应为是随机事件发出的不同频率成分的信息来处理，根据各个IMF分量能量，计算出信号的能谱熵，n个振动信号，则得到n维能谱熵向量。

计算香农(Shannon)熵的具体处理过程为：

对振动信号的m层内禀模态函数(IMF)分量进行幅值能量相加，得到各层内禀模态函数(IMF)分量c_j(t)的瞬时幅值E_i：

$E_i=\underset{k=1}{\overset{N}{\&Sigma;}}{\left|c_j\left(t_k\right)\right|}^2$

式中N为该内禀模态函数分量c_j(t_k)的数据点数，根据各个内禀模态函数(IMF)分量能量，结合香农(Shannon)熵理论，计算出振动信号的能谱熵：

$H_E=-\underset{i=1}{\overset{m}{\&Sigma;}}{p}_i\ln p_i$

式中p_i为第i个内禀模态函数(IMF)在整个信号能量中的百分比，m为内禀模态函数(IMF)分量的最大阶数，且p_i＝E_i/E，以上则完成了单次振动信号集成经验模式分解(EEMD)技术处理，对按时间历程采集的M次振动信号均依照上述方法进行处理，得到时间历程上的一个能谱熵序列H＝{H_E1,H_E2,…,H_EM}，M为整个时间历程上滚动轴承的振动信号数目。

步骤三，采用模糊信息粒化理论对M维特征向量进行模糊粒化，将整个时间序列信息，即M维特征向量划分为有限个子序列操作窗口，对每一个子序列操作窗口的信息通过数学表达方式进行模糊化；

模糊粒化，是指以一定的窗口划分规则，将整个M维能谱熵向量划分为有限个子序列操作窗口。窗口划分规则可根据实际需要灵活设定，一般设定为矩形窗，窗口内元素的数目一般设定为3～5。

窗口信息模糊化，是指对窗口内的信息，以一定的模糊化规则对其进行模糊描述，使其能够合理的描述原窗口中的信息。模糊化规则也可根据实际需要灵活设定，设定为三角型模糊粒子可以得到窗口中的最大值、最小值、平均值等信息。

信息粒化(InformationGranulation)即是将大量特性相似的信息元素组成一个信息块去研究其性能特性，每个信息块即是信息粒。对于滚动轴承的服役过程信息而言，一般每隔一定周期进行一次信息采集，这样每次采集的过程信息即为粒状信息。在滚动轴承的服役过程中，连续的过程信息可能包含着冗余特征，而间断的信息采集又有可能出现不完备信息，分析粒状信息能够有效提取具有不完备特性的信息特征，同时也能消除过程信息中的冗余特征。

模糊信息粒化主要包括窗口划分和信息模糊化两个步骤，窗口划分即是将整个时间序列信息划分为有限个子序列操作窗口，信息模糊化即是对每一个子序列操作窗口的信息通过数学表达方式进行模糊化，使其能够合理的描述原窗口中的子序列信息。滚动轴承时间序列的信息粒化过程如图1所示。

模糊粒化具体过程为：

在能谱熵序列H＝{H_E1,H_E2,…,H_EM}上，将整个时间序列信息划分为有限个子序列操作窗口，在子序列窗口中建立一个模糊粒子P，即一个能合理描述H的模糊概念G：

$P\stackrel{\mathrm{\&Delta;}}{=}\left(\begin{array}{ccc}x& is& G\end{array}\right)is\mathrm{\&lambda;}$

式中，x∈U,G由隶属函数μ_G来描述，λ是可能性概率，采用三角型模糊信息粒对窗口信息进行模糊粒化，其隶属函数A为：

$A(x,a,m,b)=\left\{\begin{array}{cc}0,& x<a\\ \frac{x-a}{m-a},& a\&le;x\&le;m\\ \frac{b-x}{b-m},& m\&le;x\&le;b\\ 0,& x\&GreaterEqual;b\end{array}\right.$

式中，x为论域中的变量，a,m,b分别对应每个模糊信息粒中的3个参数，其中a代表该信息粒中的上限值，b代表该信息粒中的下限值，m代表该信息粒中的平均值；此时，即得到振动信号能谱熵的上限值序列a＝{a₁,a₂,…,a_J}，下限值序列b＝{b₁,b₂,…,b_J}，中间值序列m＝{m₁,m₂,…,m_J}，式中J代表粒化窗口的数目。

步骤四，构建最小二乘支持向量机(LS-SVM)，并采用粒子群对最小二乘支持向量机(LS-SVM)的参数进行并行寻优；

这一步骤的目的是建立滚动轴承性能退化趋势预测模型所用，主要是指根据预测需求中涉及的特征参数，设定最小二乘支持向量机的输入向量、输出向量，LS-SVM的核函数类型等，随后采用优化算法---粒子群算法对LS-SVM中的惩罚参数和核函数参数进行并行寻优。

进一步的，所述最小二乘支持向量机(LS-SVM)是对标准SVM的一种改进，用等式约束代替标准SVM中的不等式约束，提高了收敛速度。

具体求解过程为：

最小二乘支持向量机(LS-SVM)利用训练样本数据集合D＝{(x_i,y_i)，i＝1,2,…,n,x_i∈Rd,yi∈R，借助非线性映射函数非线性逼近于如下函数：

式中，w为权值向量，b为阈值向量，w和b是通过结构风险最小化原则求出的，最终的最小二乘支持向量机模型为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b$

式中，K(x,x_i)为正定核函数，且满足K(x,x_i)＝exp(-‖x-x^T‖²/(2σ²))，最小二乘支持向量机(LS-SVM)内部的惩罚参数c和核函数参数σ²是通过粒子群算法进行优化的，其优化算法如下：

v(t+1)＝wv_ij(t)+c₁r_1j(t)(p_ij(t)-x_ij(t))+c₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

式中，i＝1,2,…,n为粒子的编号，n为种群中粒子的数目，j为粒子的维数；w为惯性权值；t表示当前优化的代数；c₁和c₂为速度常数；r_ij为[0～1]之间的随机数；v_ij(t)表示第t代粒子i在j维的空间速度；p_ij(t)为第t代最优个体粒子i的j维值；p_gj(t)为第t代后所有粒子的历史最优解的j维值。

步骤五，将粒化后的粒状信息输入到优化后的最小二乘支持向量机，利用最优的最小二乘支持向量机迭代预测出滚动轴承的性能退化趋势及性能指标的波动范围。

这一步骤的目的即是对滚动轴承性能退化趋势预测的结果验证，主要是指粒化窗口中的粒状信息，也即能谱熵的粒状信息，输入到优化后的最小二乘支持向量机，利用最优的最小二乘支持向量机迭代预测出滚动轴承的性能退化趋势及性能指标的波动范围，此处的性能退化指标是能谱熵指标，实际工程应用中可根据需要灵活选取。

具体预测操作过程为：

将滚动轴承的能谱熵序列a,b,m分别输入到优化后的最小二乘支持向量机，通过最小二乘支持向量机的回归预测函数：

$f\left(x\right)=\mathrm{sgn}\&lsqb;\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b\&rsqb;$

的输出来决定粒状信息的预测值及其预测趋势，式中：

K(x,x_i)＝exp(-‖x-x_i‖²/σ²)

为高斯径向基核函数，它是一种允许支持向量核，σ为核函数参数，x_i为第i个训练样本，x为已知的粒状信息验证样本。

所述预测模型的预测精度是采用最小二乘支持向量机输出的预测结果与真实值的平均绝对误差，各类数据样本的预测精度均可以用如下公式来描述：

$E=\frac{\left|x-\hat{x}\right|}{M}$

式中，x为待预测样本的真实值，为最小二乘支持向量机的实际输出值，M为预测的所有样本点数，E则代表预测的平均绝对误差。

本发明不受上述实施例的限制，凡是利用本发明的原理和方式，经过变换和代换所形成的技术方案，都在本发明的保护范围内。

Claims (7)

1.一种基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：包括如下具体步骤：

步骤一，对在滚动轴承上采集的每一个振动信号以集成经验模式分解技术进行处理，分别得到多层内稟模态函数分量；

步骤二，对每个振动信号的所有内稟模态函数分量计算香农熵，得到按时间历程排列的n维特征向量，n为按时间历程采集的轴承信号数目；

步骤三，采用模糊信息粒化理论对n维特征向量进行模糊粒化，将整个时间序列信息，即n维特征向量划分为有限个子序列操作窗口，对每一个子序列操作窗口的信息通过数学表达方式进行模糊化；

步骤四，构建最小二乘支持向量机，将训练样本输入到最小二乘支持向量机，并采用粒子群对最小二乘支持向量机的参数进行并行寻优；

步骤五，将粒化后的粒状信息输入到优化后的最小二乘支持向量机，利用最优的最小二乘支持向量机迭代预测出滚动轴承的性能退化趋势及性能指标的波动范围，在对此预测模型的预测精度进行评价。

2.根据权利要求1基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述步骤一中对滚动轴承的振动信号进行集成经验模式分解技术进行处理过程为：采用集成经验模式分解技术，将滚动轴承的振动信号x(t)分解为多个内禀模态函数分量：

$x\left(t\right)=\underset{j=1}{\overset{m}{\&Sigma;}}{c}_j\left(t\right)+r\left(t\right)$

式中c_j(t)为第j个内禀模态函数分量，r(t)是振动信号x(t)的趋势项，m为内禀模态函数分量的总层数。

3.根据权利要求1所述的基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述步骤二中对振动信号的所有内稟模态函数分量计算香农熵的处理过程为：对振动信号的m层内禀模态函数分量进行幅值能量相加，得到各层内禀模态函数分量c_j(t)的瞬时幅值E_i：

$E_i=\underset{k=1}{\overset{N}{\&Sigma;}}|c_j\left(t_k\right){|}^2$

式中N为该内禀模态函数分量c_j(t_k)的数据点数，根据各个内禀模态函数分量能量，结合香农熵理论，计算出振动信号的能谱熵：

$H_E=-\underset{i=1}{\overset{m}{\&Sigma;}}{p}_i\ln p_i$

式中p_i为第i个内禀模态函数在整个信号能量中的百分比，m为内禀模态函数分量的最大阶数，且p_i＝E_i/E，以上则完成了单次振动信号集成经验模式分解处理，对按时间历程采集的M次振动信号均依照上述方法进行处理，得到时间历程上的一个能谱熵序列H＝{H_E1，H_E2，…，H_EM}，M为整个时间历程上滚动轴承的振动信号数目。

4.根据权利要求1所述的基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述步骤三中采用模糊信息粒化理论对M维能谱熵向量进行模糊粒化，是指在能谱熵序列H＝{H_E1，H_E2，…，H_EM}上，将整个时间序列信息划分为有限个子序列操作窗口，在子序列窗口中建立一个模糊粒子P，即一个能合理描述H的模糊概念G：

$P\stackrel{\mathrm{\&Delta;}}{=}\left(\begin{array}{ccc}x& is& G\end{array}\right)is\mathrm{\&lambda;}$

式中，x∈U，G由隶属函数μ_G来描述，λ是可能性概率，采用三角型模糊信息粒对窗口信息进行模糊粒化，其隶属函数A为：

$A(x,a,m,b)=\left\{\begin{array}{cc}0,& x<a\\ \frac{x-a}{m-a},& a\&le;x\&le;m\\ \frac{b-x}{b-m},& m\&le;x\&le;b\\ 0,& x\&GreaterEqual;b\end{array}\right.$

式中，x为论域中的变量，a，m，b分别对应每个模糊信息粒中的3个参数，其中a代表该信息粒中的上限值，b代表该信息粒中的下限值，m代表该信息粒中的平均值；此时，即得到振动信号能谱熵的上限值序列a＝{a₁，a₂，…，a_J}，下限值序列b＝{b₁，b₂，…，b_J}，中间值序列m＝{m₁，m₂，…，m_J}，式中J代表粒化窗口的数目。

5.根据权利要求1所述的基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述步骤四中将训练样本输入最小二乘支持向量机进行训练，是指求解如下优化问题，最小二乘支持向量机利用训练样本数据集合D＝{(x_i，y_i)，i＝1，2，…，n，x_i∈R^d，y_i∈R}，借助非线性映射函数非线性逼近于如下函数：

式中，w为权值向量，b为阈值向量，w和b是通过结构风险最小化原则求出的，最终的最小二乘支持向量机模型为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b$

式中，K(x，x_i)为正定核函数，且满足K(x，x_i)＝exp(-||x-x^T||²/(2σ²))，最小二乘支持向量机内部的惩罚参数c和核函数参数σ²是通过粒子群算法进行优化的，其优化算法如下：

υ(t+1)＝wυ_ij(t)+c₁r_1j(t)(p_ij(t)-x_ij(t))+c₂r_2j(t)(p_gj(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+υ_ij(t+1)

式中，i＝1，2，…，n为粒子的编号，n为种群中粒子的数目，j为粒子的维数；w为惯性权值；t表示当前优化的代数；c₁和c₂为速度常数；r_ij为[0～1]之间的随机数；υ_ij(t)表示第t代粒子i在j维的空间速度；p_ij(t)为第t代最优个体粒子i的j维值；p_gj(t)为第t代后所有粒子的历史最优解的j维值。

6.根据权利要求1所述的基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述步骤五中将粒化后的粒状信息输入到优化后的最小二乘支持向量机进行性能退化趋势预测，是指将滚动轴承的能谱熵序列a，b，m分别输入到优化后的最小二乘支持向量机，通过最小二乘支持向量机的回归预测函数：

$f\left(x\right)=\mathrm{sgn}\&lsqb;\underset{i=1}{\overset{n}{\&Sigma;}}aK(x,x_i)+b\&rsqb;$

的输出来决定粒状信息的预测值及其预测趋势，式中：

K(x，x_i)＝exp(-||x-x_i||²/σ²)

为高斯径向基核函数，它是一种允许支持向量核，σ为核函数参数，x_i为第i个训练样本，x为已知的粒状信息验证样本。

7.根据权利要求1所述的基于信息熵的滚动轴承性能退化模糊粒化预测方法，其特征在于：所述预测模型的预测精度是采用最小二乘支持向量机输出的预测结果与真实值的平均绝对误差，各类数据样本的预测精度均可以用如下公式来描述：

$E=\frac{|x-\hat{x}|}{M}$

式中，x为待预测样本的真实值，为最小二乘支持向量机的实际输出值，M为预测的所有样本点数，E则代表预测的平均绝对误差。