CN105975749B - 一种轴承健康评估与预测的方法及系统 - Google Patents

Abstract

本发明提供一种轴承健康评估与预测的方法及系统，所述方法包括：获取轴承运行过程中的振动信号并对振动信号进行处理获取振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，选择对轴承退化最敏感的特征，组成特征向量并选择轴承处于正常运行时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，求得所述自组织特征映射网络模型中每个特征向量所对应的最小量化误差，并利用最小量化误差构建反应轴承退化性能的健康指标；利用极限学习机预测方法和健康指标对所述轴承退化的趋势进行预测。本发明可以准确刻画轴承退化过程中的退化程度，并且精确地预测轴承退化的趋势。

Description

一种轴承健康评估与预测的方法及系统

技术领域

本发明涉及机械设备的故障预测技术领域，特别为涉及轴承的性能评估预测技术领域，具体为一种轴承健康评估与预测的方法及系统。

背景技术

随着科技的进步和工业的发展，为了提高生产效率，降低生产成本，工业机械设备日益向大型化，系统化和自动化方向发展，工业生产系统的规模越来越大，各级生产环节的关联页越来越紧密；为了满足生产要求，关键设备的结构功能也越来越复杂，由于其工作环境恶劣多变，在长期运行过程中会逐渐老化，发生潜在的故障可能性也随之增加，一旦关键设备零部件发生故障，可能造成整个生产系统停机，影响生产效率，造成经济损失。对机械设备关键零部件的运行状态进行实时监测和通过数据分析进行性能评估和预测可及时发现问题并制定相应维修策略，避免恶性突发事件的发生。

轴承作为机械设备最重要的关键零部件之一，在实际使用过程中会出现性能退化到最后失效。目前，在对轴承性能评估和预测的方法中，主要有基于退化过程的物理模型方法和基于数据的神经网络方法。基于物理模型的方法虽然精确度比较高，但退化过程较为复杂，物理模型难以准确获得，基于数据的方法在模型复杂度和精确度方面取得了折中，是目前应用较多的方法，主要存在的问题是评估退化性能和趋势预测准确度不高。

经过对现有技术的公开文献检索发现，文献Zhang X,Kang J,Jin T.Degradationmodeling and maintenance decisions based on Bayesian belief networks[J].Reliability,IEEE Transactions on,2014,63(2):620-633.(基于贝叶斯信念网络的退化过程建模和维护决策，期刊：RELIABILITY第63卷，620-633)的作者基于贝叶斯网络提出了一种离散状态的退化评估模型，主要是自适应的识别退化过程状态的数目，然后根据历史数据针对每个退化状态建立贝叶斯模型，但作者没有考虑特征的冗余性进行特征筛选。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种轴承健康评估与预测的方法及系统，用于解决现有技术中对轴承评估退化性能和趋势预测准确度不高的问题。

为实现上述目的及其他相关目的，本发明提供一种轴承健康评估与预测的方法，包括以下：获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量；将轴承处于正常运行时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的所述自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标；利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

于本发明的一实施例中，获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的让能量熵作为时-频域特征。

于本发明的一实施例中，所述健康指标为：MQE＝||X-W_BMN||；其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数。

于本发明的一实施例中，HI的取值范围为[0，1]；其中，0表示轴承严重失效，1表示轴承运行在正常状态时的理想情况。

于本发明的一实施例中，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测具体包括：利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出，然后依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重。

于本发明的一实施例中，所述激活函数分别为： x＝ωx_i+b；x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置；依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出；

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是广义逆符号。

为实现上述目的，本发明还提供一种轴承健康评估与预测的系统，包括：特征向量获取模块，获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量；健康指标获取模块，将轴承处于正常状态时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标；预测模块，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

于本发明的一实施例中，所述特征向量获取模块获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的让能量熵作为时-频域特征。

于本发明的一实施例中，所述健康指标为：MQE＝||X-W_BMN||；其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数。

于本发明的一实施例中，所述预测模块利包括：设置单元，利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出；输出权重计算单元，用于依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重；其中，所述激活函数分别为： x＝ωx_i+b；x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置；依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出；

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是广义逆符号。

如上所述，本发明的一种轴承健康评估与预测的方法及系统，具有以下有益效果：

本发明通过获取轴承运行过程中的振动信号并对所述振动信号进行处理，提取所述振动信号的特征，选择对退化过程敏感的特征进行特征评估和预测，可以准确刻画轴承退化过程中的退化程度，并且精确地预测轴承退化的趋势，达到准确刻画轴承退化过程的渐进性和提高预测的准确性的目的。

附图说明

图1显示为本发明的一种轴承健康评估与预测的方法的流程图。

图2显示为本发明的一种轴承健康评估与预测的方法的具体评估与预测过程示意图。

图3显示为本发明的一种轴承健康评估与预测的方法中轴承退化过程的健康指标的变化示意图。

图4显示为本发明的一种轴承健康评估与预测的方法中利用极限学习机预测方法对轴承退化的趋势进行预测的示意图。

图5显示为本发明的一种轴承健康评估与预测的系统的原理框图。

元件标号说明

1 轴承健康评估与预测的系统

11 特征向量获取模块

12 健康指标获取模块

13 预测模块

131 设置单元

132 输出权重计算单元

S1～S3 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

本发明的目的在于提供一种轴承健康评估与预测的方法及系统，用于解决现有技术中对轴承评估退化性能和趋势预测准确度不高的问题。以下将详细说明本发明的一种轴承健康评估与预测的方法及系统的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的一种轴承健康评估与预测的方法及系统。

本发明利用轴承运行过程中振动传感器检测到的振动信号提取相关特征并结合一定特征性能标筛选对轴承退化过程敏感的特征构成特征向量，并基于自组织神经网络(SOM)和最小量化误差评估轴承退化性能，利用当前时刻和历史时刻的退化性能指标基于改进的极限学习机方法(ELM)预测未来退化趋势。

请参阅图1，显示为本发明的一种轴承健康评估与预测的方法的流程图。如图1所示，本发明的方法具体包括以下步骤：

步骤S1，获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量。

步骤S2，将轴承处于正常运行时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的所述自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标。

步骤S3，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

以下对步骤S1～步骤S3进行详细说明。

步骤S1，获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量。

于本实施例中，如图2所示，是基于原始振动信号分别提取时域特征，时频域特征以及三角函数特征并进行特征选择构成特征向量。时域特征及三角函数特征分别见表1和表2。

表1时域特征

表2三角函数特征

其中，表1最后两行是两个组合特征，X_RMS(init)是轴承未退化时采样时刻RMS的平均值，本发明采用前五十个采样时刻的RMS平均值作为X_RMS(init)的值；表2中表示先将每个采样时刻的振动信号进行相应的三角函数变换，然后将变换后的信号的标准差作为一个特征。考虑到轴承的退化过程是一个单调过程，本实施例中分别采用的双曲正弦函数，双曲正切函数和反双曲正切函数。

于本实施例中，获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的能量熵作为时-频域特征。

具体地，提取时频域能量特征的步骤如下：将原始信号经过小波包分解，获得n个子信号。计算每个子信号的能量：然后计算所有分量信号的能量总和计算每个分量信号的能量百分比和原始信号的能量熵时频域特征提取：[H_en,p₁,...,p_n]，在提取的特征基础上进行特征选择，选择出对退化过程敏感的特征组成特征向量用于性能评估，具体的特征选择方法如下：

将提取的特征利用平滑方法分解均值趋势部分和随机部分：X(t_i)＝X_T(t_i)+X_R(t_i)；式中，X_T表示特征的均值趋势部分，X_R表示特征的随机部分；根据轴承退化的实际过程，特征应满足三个特性指标，计算每个特征符合三个特性的值：

上述三个特性分别表示的是在轴承退化过程中特征应该符合单调性，与时间的相关性以及鲁棒性(对随机信号的抗干扰能力)，然后计算每个特征三个特性值的加权和作为评价该特征是否对退化敏感的综合指标值J：

J＝ω₁Mon(X)+ω₂Corr(X)+ω₃Rob(X)；

步骤S2，将轴承处于正常运行时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的所述自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标HI(Healthy Index)。

于本实施例中，即利用轴承处于正常状态时的特征向量训练自组织特征映射网络SOM，建立SOM模型；根据步骤S1中所获得特征向量，将轴承退化过程中的特征向量作为输入向量输入训练好的SOM模型，求得每个输入所对应的最小量化误差MQE，利用最小量化误差构建反应轴承退化性能的健康指标HI(Healthy Index)。

于本实施例中，所述健康指标为：MQE＝||X-W_BMN||；其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数，由轴承处于正常运行时特征向量所对应的MQE决定，本文取轴承正常运行时前五十个采样时刻的MQE平均值。

如图3所示，为健康指标的变化示意图。于本实施例中，HI的取值范围为[0，1]；其中，0表示轴承严重失效，1表示轴承运行在正常状态时的理想情况。

步骤S3，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

于本实施例中，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测具体包括：利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出，然后依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重。

如图4所示，也就是说，于本实施例中，在完成对轴承性能评估的基础上，利用改进的ELM方法对轴承退化趋势进行预测，改进的极限学习机(ELM)主要包括两个部分：

1)利用粒子群优化算法(PSO)确定ELM的隐含层神经元的输入权重W和偏置b；因原始ELM的输入权重和偏置任意赋值造成该方法的不稳定性，在实际应用中造成结果的不稳定，为克服这一不足，本发明采用PSO方法依据训练数据确定最优的ELM输入权重和偏置。

2)确定好ELM的输入权重和偏置之后，即在(1)的基础上，设置隐含层神经元的激活函数为f(x)和g(x)，取两个激活函数的平均值作为隐含层单元的输出，然后依据训练数据和确定的输入权重W和偏置b利用Moore-Penrose广义逆计算输出权重β，这一方法主要是为了提高ELM的预测精度。

其中，所述激活函数分别为： x＝ωx_i+b，x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置。依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出。

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置，其中ω_j＝[ω_j1,ω_j2,...,ω_js]^T，x_i＝[x_i1,x_i2,...,x_is]^T，s表示输入层神经元数目，网络的输入向量x_i是由所获得健康指标HI按照窗口滑动的方式组成，由前s个健康指标值预测之后的m个健康指标值；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是求moore-penrose广义逆符号。

此外，如图5所示，本实施例还提供一种轴承健康评估与预测的系统1，所述轴承健康评估与预测的系统1包括：特征向量获取模块11，健康指标获取模块12以及预测模块13。由于轴承健康评估与预测的系统1与轴承健康评估与预测的方法间原理相似，因此通用的技术细节不作重复赘述。

于本实施例中，所述特征向量获取模块11获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量。

于本实施例中，所述特征向量获取模块11获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的让能量熵作为时-频域特征。

所述健康指标获取模块12将轴承处于正常状态时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标。

于本实施例中，所述健康指标为：MQE＝||X-W_BMN||；其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数，由轴承处于正常运行时特征向量所对应的MQE决定，本文取轴承正常运行时前五十个采样时刻的MQE平均值。

于本实施例中，所述预测模块13利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

于本实施例中，所述预测模块13利包括：设置单元131，利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出；输出权重计算单元132，用于依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重；其中，所述激活函数分别为： x＝ωx_i+b；x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置。依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势

进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出。

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置，其中ω_j＝[ω_j1,ω_j2,...,ω_js]^T，x_i＝[x_i1,x_i2,...,x_is]^T，s表示输入层神经元数目，网络的输入向量x_i是由所获得健康指标HI按照窗口滑动的方式组成，由前s个健康指标值预测之后的m个健康指标值；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是求moore-penrose广义逆符号。

表3是本发明提出的方法与常用的几种方法预测结果的比较，数据是预测的绝对误差。通过表3可以清晰地看出，本发明所提出的方法极大地提高了预测精度，对退化趋势把握会更加精确。

表3

综上所述，本发明的一种轴承健康评估与预测的方法及系统，达到了以下有益效果：

本发明通过获取轴承运行过程中的振动信号并对所述振动信号进行处理，提取所述振动信号的特征，选择对退化过程敏感的特征进行特征评估和预测，可以准确刻画轴承退化过程中的退化程度，并且精确地预测轴承退化的趋势，达到准确刻画轴承退化过程的渐进性和提高预测的准确性的目的。所以本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种轴承健康评估与预测的方法，其特征在于，包括：

获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量；

具体的特征选择方法如下：

将提取的特征利用平滑方法分解均值趋势部分和随机部分：X(t_i)＝X_T(t_i)+X_R(t_i)；

式中，X(t_i)表示提取的特征，t_i表示第i个采样点的时刻，X_T(t_i)表示特征的均值趋势部分，X_R(t_i)表示特征的随机部分；根据轴承退化的实际过程，特征应满足三个特性指标，计算每个特征符合三个特性的值：

Mon(X)，Corr(X)，Rob(X)分别表示的是在轴承退化过程中特征应该符合单调性，与时间的相关性以及鲁棒性；

然后计算每个特征三个特性值的加权和作为评价该特征是否对退化敏感的综合指标值J：

J＝ω₁Mon(X)+ω₂Corr(X)+ω₃Rob(X)；

其中，ω₁，ω₂，ω₃分别为三个特性值的权重；将轴承处于正常运行时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的所述自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标；

利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

2.根据权利要求1所述的轴承健康评估与预测的方法，其特征在于，获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的能量熵作为时-频域特征。

3.根据权利要求1所述的轴承健康评估与预测的方法，其特征在于，所述健康指标为：

MQE＝||X-W_BMN||；

其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数。

4.根据权利要求3所述的轴承健康评估与预测的方法，其特征在于，HI的取值范围为[0，1]；其中，0表示轴承严重失效，1表示轴承运行在正常状态时的理想情况。

5.根据权利要求3所述的轴承健康评估与预测的方法，其特征在于，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测具体包括：

利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出，然后依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重。

6.根据权利要求5所述的轴承健康评估与预测的方法，其特征在于，所述激活函数分别为：x＝ωx_i+b；x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置；

依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出；

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是广义逆符号。

7.一种轴承健康评估与预测的系统，其特征在于，包括：

特征向量获取模块，获取轴承运行过程中的振动信号并对所述振动信号进行处理获取所述振动信号的时域统计特征，时频域能量特征及三角函数特征并根据轴承退化的特性指标，从所述振动信号的时域统计特征，时频域能量特征及三角函数特征中选择对轴承退化最敏感的特征，组成特征向量；

具体的特征选择方法如下：

将提取的特征利用平滑方法分解均值趋势部分和随机部分：X(t_i)＝X_T(t_i)+X_R(t_i)；

式中，X(t_i)表示提取的特征，t_i表示第i个采样点的时刻，X_T(t_i)表示特征的均值趋势部分，X_R(t_i)表示特征的随机部分；根据轴承退化的实际过程，特征应满足三个特性指标，计算每个特征符合三个特性的值；

Mon(X)，Corr(X)，Rob(X)分别表示的是在轴承退化过程中特征应该符合单调性，与时间的相关性以及鲁棒性；

然后计算每个特征三个特性值的加权和作为评价该特征是否对退化敏感的综合指标值J：

J＝ω₁Mon(X)+ω₂Corr(X)+ω₃Rob(X)；

其中，ω₁，ω₂，ω₃分别为三个特性值的权重；

健康指标获取模块，将轴承处于正常状态时的特征向量作为输入向量训练自组织特征映射网络并建立自组织特征映射网络模型，利用训练好的自组织特征映射网络模型求得每个所述特征向量所对应的最小量化误差，并利用所述最小量化误差构建反应轴承退化性能的健康指标；

预测模块，利用极限学习机预测方法和所述健康指标对所述轴承退化的趋势进行预测。

8.根据权利要求7所述的轴承健康评估与预测的系统，其特征在于，所述特征向量获取模块获取所述时频域能量特征包括：采用小波包分解将所述振动信号分解成n个子信号，分别计算每个所述子信号的能量和原始所述振动信号的总能量，并将每个所述子信号的能量所占总能量的百分比和原始所述振动信号的能量熵作为时-频域特征。

9.根据权利要求7所述的轴承健康评估与预测的系统，其特征在于，所述健康指标为：

MQE＝||X-W_BMN||；

其中：HI表示根据最小量化误差构造的反映轴承退化程度的健康指标；W_BMN表示训练好的自组织特征映射网络对一个输入特征向量所对应输出神经元的权重向量；MQE表示输入和输出的最小量化误差，表示轴承退化的程度；X表示输入特征向量；c表示与MQE关联的尺度参数。

10.根据权利要求9所述的轴承健康评估与预测的系统，其特征在于，所述预测模块利包括：

设置单元，利用粒子群优化算法确定极限学习机预测方法中隐含层神经元的输入权重和偏置，设置隐含层神经元的激活函数，取激活函数的平均值作为隐含层神经元的输出；

输出权重计算单元，用于依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重；

其中，所述激活函数分别为：x＝ωx_i+b；x表示隐含层神经元的输入，是输入向量x_i的线性组合，ω表示输入权重向量，b表示输入偏置；

依据所述健康指标和确定的所述输入权重和所述偏置计算用于对所述轴承退化的趋势进行预测的隐含层神经元的输出权重具体为：

式中，H(ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L)表示隐含层神经元的输出；

ω₁,ω₂,...,ω_L,x₁,x₂,...,x_N,b₁,b₂,...,b_L分别表示隐含层神经元的输入权重向量，网络的输入向量及隐含层神经元的偏置；m表示输出神经元数目，是目标向量的维数，T表示N组训练数据的目标向量组成的矩阵，N表示训练数据的数目，L表示隐含层神经元的数目，β是输出权重组成的矩阵；分别表示每个隐含层神经元对应的输出权重向量，之间的是广义逆符号。