轴承状态预测方法、装置、计算机设备及存储介质

技术领域

本申请涉及工业装备技术领域、领域，特别是涉及一种轴承状态预测方法、装置、计算机设备及存储介质。

背景技术

轴承作为一种应用十分广泛的基础零部件，在许多工业设备的运行过程中起着支撑机械旋转的作用，因此，轴承的可靠性对保障工业设备的安全平稳运行至关重要，轴承的可靠性分析和预测也是工业装备技术领域的关注重点。

现有技术中，可通过大量试验及故障数据的训练隐马尔科夫模型，进而，根据隐马尔科夫模型对轴承进行未来时间段的可靠性预测，然而，对许多新兴的工业领域(如大型风电机组)，轴承运行的试验和故障数据较少，因此，在根据隐马尔科夫模型无法准确地对轴承进行未来时间段的可靠性预测。

发明内容

基于此，有必要针对上述技术问题，提供一种能够准确地对轴承进行可靠性分析和预测的轴承状态预测方法、装置、计算机设备及存储介质。

第一方面，本申请提供了一种轴承状态预测方法。该方法包括：

确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值；

根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；

根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值；

采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在其中一个实施例中，采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态，包括：

根据目标特征变化函数，确定退化趋势函数；

根据退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型；

采用隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在其中一个实施例中，采用隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态，包括：

确定待检测轴承在未来时间段的初始运行状态，其中，初始运行状态指的是待检测轴承在未来时间段的前一时间段对应的运行状态；

根据初始运行状态和隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在其中一个实施例中，根据初始运行状态和隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态，包括：

将预测特征值输入至隐马尔科夫退化模型，得到隐马尔科夫退化模型输出的候选运行状态；

从候选运行状态中确定与初始运行状态对应的预测运行状态。

在其中一个实施例中，隐马尔科夫模型的训练过程包括：

确定样本轴承在历史周期的历史特征值，以及确定历史特征值对应的历史运行状态；

根据历史特征值和历史特征值对应的历史运行状态对初始模型的状态转移概率矩阵参数和观测值概率矩阵参数进行参数调整，得到隐马尔科夫模型。

在其中一个实施例中，该方法还包括：

确定样本轴承在历史周期的历史特征值；

根据历史特征值，确定待检测轴承对应的特征变化参数，并根据特征变化参数，构建初始特征变化函数。

第二方面，本申请还提供了一种轴承状态预测装置。该装置包括：

第一确定模块，用于确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值；

第二确定模块，用于根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；

第三确定模块，用于根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值；

第四确定模块，用于采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值；

根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；

根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值；

采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值；

根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；

根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值；

采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值；

根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；

根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值；

采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

上述轴承状态预测方法、装置、计算机设备及存储介质，通过待检测轴承在使用周期的参考特征值，确定目标特征变化函数；通过目标特征变化函数对待检测轴承进行特征值预测，得到待检测轴承在未来时间段的预测特征值；进一步的，采用目标特征变化函数和隐马尔科夫模型，确定待检测轴承在未来时间段的预测运行状态。由于上述过程中在确定待检测轴承在未来时间段的预测运行状态时，是根据目标特征变化函数和隐马尔科夫模型结合实现对待检测轴承进行状态预测，相比起现有技术中，仅根据隐马尔科夫模型进行状态预测的过程，能够更加准确地对轴承的运行状态进行预测。并且，目标特征变化函数，是初始特征变化函数根据待检测轴承的参考特征值进行参数更新得到的，因此，本申请在对待检测轴承进行状态预测时，还考虑了待检测轴承在使用周期对应的参考特征值，从而，进一步提高确定待检测轴承在未来时间段的预测运行状态的准确性。

附图说明

图1为本申请实施例提供的一种轴承状态预测方法的应用环境图；

图2为本申请实施例提供的一种轴承状态预测方法的流程图；

图3为本申请实施例提供的一种确定预测运行状态的步骤流程图；

图4为本申请实施例提供的另一种确定预测运行状态的步骤流程图；

图5为本申请实施例提供的一种隐马尔科夫模型训练过程的步骤流程图；

图6为本申请实施例提供的另一种轴承状态预测方法的流程图；

图7为本申请实施例提供的第一种轴承状态预测装置的结构框图；

图8为本申请实施例提供的第二种轴承状态预测装置的结构框图；

图9为本申请实施例提供的第三种轴承状态预测装置的结构框图；

图10为本申请实施例提供的第四种轴承状态预测装置的结构框图；

图11为本申请实施例提供的第五种轴承状态预测装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

基于上述情况，本申请实施例提供的轴承状态预测方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据块。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据块用于存储轴承状态预测方法的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种轴承状态预测方法。

本申请公开了一种轴承状态预测方法、装置、计算机设备及其存储介质，通过待检测轴承的参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数；根据目标特征变化函数对待检测轴承进行特征值预测，得到待检测轴承在未来时间段的预测特征值；进一步的，采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在一个示例性的实施例中，如图2所示，图2为本申请实施例提供的一种轴承状态预测方法的流程图，提供了一种轴承状态预测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤201至步骤204。其中：

步骤201，确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值。

需要说明的是，使用周期指的是待检测轴承投入使用的第N个时间段，其中，时间段的单位可根据实际情况和需求进行设定和调整，例如，使用周期可指的是待检测轴承投入使用的第N个月。

进一步说明，当需要确定待检测轴承在使用周期的参考特征值时，可获取待检测轴承在使用周期内的至少一个轴承振动幅值，进而，根据各轴承振动幅值，确定待检测轴承在使用周期的参考特征值；其中，轴承振动幅值用于表示待检测轴承的振动幅度。

具体的，由于待检测轴承的轴承振动幅值具有不确定性，即待检测轴承在不同使用周期对应的轴承振动幅值可以相同也可以不相同，因此，当需要确定待检测轴承在使用周期的参考特征值时，具体可包括以下内容：采集待检测轴承在使用周期内每一时刻的轴承振动幅值，并对各轴承振动幅值进行去噪处理，得到去噪处理后的轴承振动幅值；进而，根据去噪处理后的轴承振动幅值，确定待检测轴承在使用周期的参考特征值。

进一步说明，当需要得到去噪处理后的目标轴承振动幅值时，具体可包括以下内容：采集使用周期内每一时刻的轴承振动幅值，得到待检测轴承在使用周期内的至少一个轴承振动幅值，并采用小波分解对各轴承振动幅值进行去噪处理，得到去噪处理后的各轴承振动幅值。

具体的，通过对待检测轴承的各轴承振动幅值进行小波分解，得到各轴承振动幅值对应的小波系数，由于正常轴承振动幅值经过小波分解后得到的小波系数较大，而噪声幅值经小波分解后得到的小波系数较小，因此可将各轴承振动幅值对应的小波系数与预先设定的系数阈值进行大小比较，得到大小比较结果；若大小比较结果表明某一轴承振动幅值的小波系数大于系数阈值，则该小波系数对应的轴承振动幅值属于正常轴承振动幅值，因此，对该轴承振动幅值进行保留；若大小比较结果表明某一轴承振动幅值的小波系数小于系数阈值，则该小波系数对应的轴承振动幅值属于噪声幅值，因此，对该轴承振动幅值进行清除；进而，根据大小比较结果，对使用周期内每一时刻的轴承振动幅值进行去噪处理，得到去噪处理后的轴承振动幅值。

进一步说明，当需要确定待检测轴承的参考特征值时，可根据轴承振动幅值先平稳后逐渐上升的变化特点，提取去噪处理后的轴承振动幅值的绝对平均幅值，将绝对平均幅值作为待检测轴承的参考特征值。

步骤202，根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数。

其中，初始特征变化函数指的是对待检测轴承在历史周期的历史特征值进行特征拟合得到的特征变化函数。

需要说明的是，为防止后续在通过待检测轴承的初始特征变化函数预测待检测轴承在未来时间段的预测特征值时，无法考虑使用周期的参考特征值对预测特征值的影响，导致，无法准确反映运行过程中待检测轴承的轴承振动幅值的变化趋势，因此，需要对待检测轴承在待检测时间的参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数。

进一步说明，可基于粒子滤波的状态参数联合估计方法，对初始特征变化函数进行参数更新，具体的可包括以下内容：在初始时刻(即为对初始特征变化函数开始更新的时刻)根据初始特征变化函数中参考特征值的先验概率抽取若干第一特征值，并对每个第一特征值对应的权值进行初始化，进一步的，在轴承运行的过程中根据重要性密度函数(将先验概率的概率分布作为重要性密度函数)抽取若干第二特征值，通过权重公式计算得到每个第二特征值对应的权值，并对各第二特征值的权值进行归一化处理，根据归一化处理后的权值和重采样计算公式，确定有效的第二特征值，进而，根据有效的第二特征值，对初始特征变化函数进行参数更新。

在本申请的一种实施例中，若初始特征变化函数的参数为：特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d，当需要对初始特征变化函数进行参数更新时，需要分别对特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d进行更新，由于对特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d采用的是同样的更新过程，因此，在此不对特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d的更新过程进行一一赘述，仅对特征变化参数a的更新过程展开详细描述：

举例说明，当需要对初始特征变化函数的特征变化参数a更新时，可在t＝0(对初始特征变化函数开始更新的时刻)时刻，根据初始特征变化函数中参考特征值的先验概率p(x

其中，p(x

进一步的，在轴承运行的过程中选取初始特征变化函数中参考特征值的先验概率分布

其中，

进一步的，通过权重公式计算得到每个第二特征值对应的权值，并通过归一化公式对权值进行归一化处理，其中，权重公式(1)如下所示：

其中，

其中，归一化公式(2)如下所示：

其中，

进一步的，根据重采样计算公式(3)，得到有效的第二特征值的个数。

其中，重采样计算公式(3)如下所示：

其中，

进一步的，将有效的第二特征值的个数与预先设定的数量阈值进行比较，若有效的第二特征值的个数小于预先设定的数量阈值，则将归一化后的权值作为重要性密度函数重新对第二特征值进行抽取；若有效的第二特征值的个数大于或等于预先设定的数量阈值，则根据有效的第二特征值，对初始特征变化函数的特征变化参数a进行更新，得到更新后的特征变化参数a对应的值，具体公式如下：

其中，

进一步的，利用更新后的特征变化参数a替换初始特征变化函数中的特征变化参数a，同理，将更新后的特征变化参数b对应的值替换初始特征变化函数中的特征变化参数b，将更新后的特征变化参数c对应的值替换初始特征变化函数中的特征变化参数c，将更新后的特征变化参数d对应的值替换初始特征变化函数中的特征变化参数d，得到目标特征变化函数。

举例说明，若根据待检测轴承在历史周期的历史特征值确定的初始特征变化函数为：

其中，1.767为特征变化参数d，0.308为特征变化参数a，0.254为特征变化参数b，2.673为特征变化参数c；因此，在根据粒子滤波的状态参数联合估计方法，根据参考特征值对初始特征变化函数进行更新，得到更新后的特征变化参数a、更新后的特征变化参数b、更新后的特征变化参数c和更新后的特征变化参数d。利用更新后的特征变化参数a、更新后的特征变化参数b、更新后的特征变化参数c和更新后的特征变化参数d，替换初始特征变化函数的特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d，得到目标特征变化函数。

步骤203，根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值。

其中，预测特征值指的是通过目标特征变化函数预测得到的待检测轴承在至少一个未来周期的轴承振动幅值的特征值。

需要说明的是，由于目标特征变化函数是通过待检测轴承的参考特征值，对初始特征变化函数进行参数更新后，得到的目标特征变化函数，因此，当需要准确获取待检测轴承在未来时间段的预测特征值时，可根据目标特征变化函数能够对待检测轴承在未来时间段的特征值进行预测，得到待检测轴承在未来时间段的预测特征值。

进一步说明，在利用目标特征变化函数对待检测轴承在未来时间段的特征值进行预测时，若预测得到的待检测轴承的预测特征值大于或等于失效阈值时，则停止预测。

其中，失效阈值是根据工作人员的历史经验和实际情况预先设定的值。

在本申请的一种实施例中，根据目标特征变化函数，将不同的时间参数输入至目标特征变化函数中，得到目标特征变化函数的输出结果，该结果即为待检测轴承在不同的未来时间段的预测特征值。其中，时间参数指的是待检测轴承在使用周期后的至少一个未来周期；例如，若待检测轴承的使用周期为待检测轴承投入使用的第96个月，则待检测轴承使用的第97个月、待检测轴承使用的第98个月、待检测轴承使用的第99个月等均为待检测轴承的未来周期。

举例说明，若目标特征变化函数的表达式为：

其中，t表示时间参数，F(t)表示待检测轴承在t时间段的预测特征值。

进一步的，若给定时间参数t的取值序列为：{98,100,102,104,106,108,110,112,114,116,118,120,122,124,126,127,128,129,130,131}，将t的取值代入目标特征变化函数中，得到对应的预测特征值序列为：

{2.92209636697330，3.00464706621310，3.1099735326498，3.24435960853055，

3.41582285040689，3.63459286152647，3.9137215963008，4.26986204799277，

4.72426177661193，5.30403055151030，6.04375773701856，6.98757591535332，

8.19179386381646，9.72825597133735，11.6886285192307，14.1898685483353，

17.3812015885365，21.4530245463378，22.6482649022715，33.2768739149030}

若预先设定的失效阈值为23，由于t＝131时对应的预测特征值为33.2768739149030，且33.2768739149030>23，即待检测轴承的预测特征值大于失效阈值，因此，当时间参数为131时，停止预测待检测轴承在未来时间段的预测特征值。

步骤204，采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

需要说明的是，由于待检测轴承在不同运行状态下对应的特征值各不相同，因此，可根据待检测轴承在未来时间段的预测特征值，确定待检测轴承在未来时间段的预测运行状态；具体的：根据目标特征变化函数得到退化趋势函数，进而，通过退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型，进一步的，利用隐马尔科夫退化模型对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在本申请的一种实施例中，当需要得到待检测轴承在未来时间段的预测运行状态时，可根据目标特征变化函数对隐马尔科夫模型进行模型更新，得到第一隐马尔科夫模型，进一步的，通过将预测特征值输入至第一隐马尔科夫模型，可获取第一隐马尔科夫模型输出的待检测轴承的状态取值，预先确定不同运行状态对应的状态取值区间，根据状态取值所属的状态取值区间，确定待检测轴承对应的运行状态。

举例说明，若预先规定第一运行状态对应的状态取值区间为(0,10]，第二运行状态对应的状态取值区间为(10,20]，且已知第一隐马尔科夫模型输出的待检测轴承的状态取值为12，由于状态取值12属于状态取值区间(10,20]，因此，确定待检测轴承对应的运行状态为第二运行状态。

在本申请的一种实施例中，当需要得到待检测轴承在未来时间段的预测运行状态时，可根据目标特征变化函数对隐马尔科夫模型进行模型更新，得到第二隐马尔科夫模型，进一步的，通过将预测特征值输入至第二隐马尔科夫模型，可获取第二隐马尔科夫模型输出的待检测轴承的状态预测结果；其中，状态预测结果中记录有待检测轴承属于不同运行状态的概率，进而，将状态预测结果中概率最大的运行状态，作为待检测轴承对应的运行状态。

举例说明，若第二隐马尔科夫模型输出的待检测轴承的状态预测结果为，[0.1，0.7，0.2]，其中，0.1表示待检测轴承的运行状态属于第一运行状态的概率为0.1，0.7表示待检测轴承的运行状态属于第二运行状态的概率为0.7，0.2表示待检测轴承的运行状态属于第三运行状态的概率为0.2，将状态预测结果中概率最大的第二运行状态，作为待检测轴承对应的运行状态。

上述轴承状态预测方法，通过待检测轴承在使用周期的参考特征值，确定目标特征变化函数；通过目标特征变化函数对待检测轴承进行特征值预测，得到待检测轴承在未来时间段的预测特征值；进一步的，采用目标特征变化函数和隐马尔科夫模型，确定待检测轴承在未来时间段的预测运行状态。由于上述过程中在确定待检测轴承在未来时间段的预测运行状态时，是根据目标特征变化函数和隐马尔科夫模型结合实现对待检测轴承进行状态预测，相比起现有技术中，仅根据隐马尔科夫模型进行状态预测的过程，能够更加准确地对轴承的运行状态进行预测。并且，目标特征变化函数是初始特征变化函数根据待检测轴承的参考特征值进行参数更新得到的，因此，本申请在对待检测轴承进行状态预测时，还考虑了待检测轴承在使用周期对应的参考特征值，从而，进一步提高确定待检测轴承在未来时间段的预测运行状态的准确性。

在一种实施例中，针对许多新兴的工业领域，现有技术无法准确对轴承运行状态进行预测的问题。为解决上述技术问题，本申请的计算机设备可以通过如图3所示的方式，得到待检测轴承在未来时间段的预测运行状态，包括以下步骤301至步骤303。其中：

步骤301，根据目标特征变化函数，确定退化趋势函数。

其中，退化趋势函数指的是描述待检测轴承的轴承振动幅值的退化情况的函数。

需要说明的是，由于待检测轴承在运行过程中轴承振动幅值是动态变化的，并且，随着待检测轴承的使用周期不断增加，待检测轴承的轴承振动幅值会逐渐增大，即为待检测轴承会随着使用周期的不断增加，产生一定程度的性能退化，因此，为更准确的对预测特征值进行状态预测，可通过目标特征变化函数，确定退化趋势函数。

在本申请的一种实施例中，若目标特征变化函数为F(t

其中，

步骤302，根据退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型。

需要说明的是，为了使隐马尔科夫模型能够更加准确地捕捉待检测轴承的退化趋势，可根据退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型。

在本申请的一种实施例中，根据退化趋势函数为

其中，A′

进一步说明，待检测轴承的运行状态从任一状态p转移到任一状态q的概率为：a′

进一步说明，由于A′

步骤303，采用隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

需要说明的是，当需要得到待检测轴承在未来时间段的预测运行状态时，具体可包括以下内容：根据待检测轴承在未来时间段的预测特征值，确定待检测轴承的初始运行状态，进而，根据隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的候选运行状态，进一步的，从候选运行状态中确定与初始运行状态对应的候选运行状态，即为待检测轴承在未来时间段的预测运行状态。

上述轴承状态预测方法，通过退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型，由于退化趋势函数是依据待检测轴承在待检测时间的轴承振动幅值的特征变化情况得到的，因此，通过退化趋势函数更新后得到的隐马尔科夫退化模型，能够使隐马尔科夫退化模型能够更好地对待检测轴承在未来时间段的运行状态进行预测。

在一个示例性的实施例中，当需要采用隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态时，可以通过如图4所示的方式，包括以下步骤401和步骤402。其中：

步骤401，确定待检测轴承在未来时间段的初始运行状态。

其中，初始运行状态指的是待检测轴承在未来周期的前一周期对应的运行状态。例如，若未来周期为待检测轴承使用的第97个月，则初始运行状态指的是待检测轴承使用的第96个月的运行状态。

需要说明的是，当需要确定未来时间段的初始运行状态时，若未来时间段为检测轴承的使用周期，则待检测轴承在未来时间段的初始运行状态指的是待检测轴承在使用周期的运行状态，则可根据待检测轴承的使用周期对应的参考特征值，确定待检测轴承在未来时间段的初始运行状态。

进一步说明，确定待检测轴承在未来时间段的初始运行状态的方法有很多，例如，可根据特征状态对照表，对特征状态对照表进行数据查找，确定参考特征值对应的初始运行状态，其中，特征状态对照表中记录了不同的参考特征值对应的初始运行状态；或者，根据隐马尔科夫模型，确定参考特征值对应的初始运行状态。可理解为，可通过多种方式确定参考特征值对应的初始运行状态，在此不对参考特征值对应的初始运行状态的确定方法进行一一赘述，下面将针对上述两种方法，进行详细说明：

作为一种示例，当根据特征状态对照表，对特征状态对照表进行数据查找，确定参考特征值对应的初始运行状态时，具体可包括以下内容：根据特征状态对照表，对特征状态对照表进行数据查找，找到与参考特征值对应的初始运行状态，该初始运行状态即为参考特征值对应的初始运行状态。

作为另一种示例，当根据隐马尔科夫模型，确定参考特征值对应的初始运行状态时，具体可包括以下内容：根据隐马尔科夫模型的观测值概率矩阵，从观测值概率矩阵中找到参考特征值对应的列，并根据该列中的概率值确定参考特征值对应的初始运行状态，该初始运行状态即为参考特征值对应的初始运行状态。

步骤402，根据初始运行状态和隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

需要说明的是，当需要得到待检测轴承在未来时间段的预测运行状态时，可将预测特征值输入至隐马尔科夫退化模型，得到隐马尔科夫退化模型输出的候选运行状态；进一步的，从候选运行状态中确定与初始运行状态对应的预测运行状态。

在本申请的一种实施例中，将预测特征值输入至隐马尔科夫退化模型后，得到隐马尔科夫退化模型输出的四种候选运行状态为：S′

其中，

进一步的，当需要确定待检测轴承的预测运行状态时，具体包括以下内容：从候选运行状态中确定与初始运行状态对应的预测运行状态，具体包括一下内容：从候选运行状态的状态转移概率矩阵中找到与初始运行状态对应的状态转移概率矩阵，进而，根据与初始运行状态对应的状态转移概率矩阵中的元素值取值，确定待检测轴承的预测运行状态。

举例说明，当需要确定待检测轴承在使用周期对应的后一个未来周期对应的预测运行状态(使用周期可用t表示，下一未来周期可用t+1表示，例如，若使用周期为第10个月，则下一未来周期为第11个月。)，具体可包括以下内容：若待检测轴承的初始运行状态位于S

进一步的，根据递推公式和各候选状态对应的状态转移概率矩阵A′

其中，

进一步的，从

举例说明，当需要确定待检测轴承在使用周期的后两个未来周期对应的预测运行状态(使用周期可用t表示，后两个未来周期可用t+2表示，例如，若使用周期为第10个月，则下一未来周期为第12个月。)，具体可包括以下内容：将待检测轴承在t+1时刻的预测特征值输入至隐马尔科夫退化模型后，通过递推公式，得到待检测轴承在t+1时刻各候选状态对应的状态转移概率，进而，从各候选状态对应的状态转移概率得到待检测轴承在t+1时刻的预测运行状态；进一步的，将待检测轴承在t+2时刻的预测特征值输入至隐马尔科夫退化模型后，通过递推公式，得到待检测轴承在t+2时刻各候选状态对应的状态转移概率，进而，从各候选状态对应的状态转移概率得到待检测轴承在t+2时刻的预测运行状态。

上述轴承状态预测方法，通过确定待检测轴承在未来时间段的初始运行状态，为后续采用隐马尔科夫退化模型进行状态预测提供基础，使得到的隐马尔科夫退化模型能够准确预测待检测轴承在未来时间段的预测运行状态。

在一个示例性的实施例中，隐马尔科夫模型的训练过程，可以通过如图5所示的方式，包括以下步骤501和步骤502。其中：

步骤501，确定样本轴承在历史周期的历史特征值，以及确定历史特征值对应的历史运行状态。

需要说明的是，为保证隐马尔科夫模型能够准确地对待检测轴承的运行状态进行预测，因此，需要确定样本轴承在历史周期的历史特征值以及确定历史特征值对应的历史运行状态，将其作为隐马尔科夫模型的训练数据，实现对隐马尔科夫模型的训练。

进一步说明，当需要确定样本轴承在历史周期的历史特征值时，可对待检测轴承在历史周期的轴承振动幅值进行采集，并采用小波分解对轴承振动幅值进行去噪处理，得到去噪后的历史轴承振动幅值；进而，对去噪后的历史轴承振动幅值进行特征提取，确定样本轴承在历史周期的历史特征值。

进一步说明，当需要确定历史特征值对应的历史运行状态时，可根据初始模型的初始观测值概率矩阵，从初始观测值概率矩阵中找到预测特征值对应的列，进而，找到该列中概率值最大的行对应的运行状态，该运行状态即为待检测轴承在未来时间段的初始运行状态。

步骤502，根据历史特征值和历史特征值对应的历史运行状态对初始模型的状态转移概率矩阵参数和观测值概率矩阵参数进行参数调整，得到隐马尔科夫模型。

需要说明的是，为保证隐马尔科夫模型能够准确地对待检测轴承的运行状态进行预测，因此，需要通过待检测轴承在历史周期的历史特征值和历史特征值对应的历史运行状态作为初始模型的训练数据，实现对初始模型的训练，得到训练后的隐马尔科夫模型。

进一步说明，当需要得到隐马尔科夫模型时，具体可包括以下内容：将历史特征值和历史特征值对应的历史运行状态输入至初始模型中，对初始模型进行更新训练，包括对初始模型的状态转移概率矩阵参数和观测值概率矩阵参数的参数调整，得到训练后的隐马尔科夫模型。

在本申请的一种实施例中，若历史特征值为：{1.59,1.59,1.63,1.68,1.73,1.85,2.30,2.524,2.524,3.090,3.446,3.859,4.432,4.903,5.558,6.321,7.210,8.245,9.452,10.859,12.918,15.987,20.112,25.652,33.096}，并且，初始模型为：

π＝[0.95,0.03,0.02,0.01]

其中，A表示初始状态转移概率矩阵，B表示初始观测值概率矩阵，π表示初始状态概率向量。

进一步的，通过待检测轴承在历史周期的历史特征值和历史运行状态对初始模型的初始状态转移概率矩阵参数和观测值概率矩阵参数进行参数调整，得到的隐马尔科夫模型为：

其中，A'表示参数调整后的状态转移概率矩阵，B'表示参数调整后的观测值概率矩阵。

上述轴承状态预测方法，通过历史特征值和历史特征值对应的历史运行状态对初始模型进行参数调整，实现了对初始模型的训练，以使得到的隐马尔科夫模型能够准确捕捉待检测轴承的运行状态，为后续对待检测轴承在未来时间段的状态预测提供模型基础。

在一个示例性的实施例中，当需要得到待检测轴承在未来时间段的预测运行状态时，具体可包括以下流程，如图6所示：

步骤601，确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值。

步骤602，根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数。

步骤603，根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值。

步骤604，根据目标特征变化函数，确定退化趋势函数。

步骤605，根据退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型。

步骤606，确定待检测轴承在未来时间段的初始运行状态。

步骤607，将预测特征值输入至隐马尔科夫退化模型，得到隐马尔科夫退化模型输出的候选运行状态。

步骤608，从候选运行状态中确定与初始运行状态对应的预测运行状态。

在本申请的一种实施例中，在对初始特征变化函数进行参数更新之前，还包括初始特征变化函数的构建过程，具体可包括以下内容：确定样本轴承在历史周期的历史特征值；根据历史特征值，确定待检测轴承对应的特征变化参数，并根据特征变化参数，构建初始特征变化函数。

需要说明的是，当需要确定样本轴承在历史周期的历史特征值时，具体可包括以下内容：对待检测轴承在历史周期的轴承振动幅值进行采集，并采用小波分解对初始轴承振动幅值进行去噪处理，得到去噪后的待检测轴承在历史周期的历史轴承振动幅值；进而，对历史轴承振动幅值进行特征提取，确定样本轴承在历史周期的历史特征值。

具体的，通过对待检测轴承的各轴承振动幅值进行小波分解，得到各轴承振动幅值对应的小波系数，由于正常轴承振动幅值经过小波分解后得到的小波系数较大，而噪声幅值经小波分解后得到的小波系数较小，因此为对各轴承振动幅值进行去噪处理，可将各轴承振动幅值对应的小波系数与预先设定的系数阈值进行大小比较，得到大小比较结果，若某一轴承振动幅值的小波系数大于系数阈值，则该小波系数对应的轴承振动幅值属于正常轴承振动幅值，因此，对该轴承振动幅值进行保留；若某一轴承振动幅值的小波系数小于系数阈值，则该小波系数对应的轴承振动幅值属于噪声幅值，因此，对该轴承振动幅值进行清除；进而，根据大小比较结果，对使用周期内每一时刻的轴承振动幅值进行去噪处理，得到去噪处理后的轴承振动幅值。

举例说明，若待检测轴承在历史周期的历史轴承振动幅值为：{x

需要说明的是，当需要根据历史特征值，确定待检测轴承对应的特征变化参数，并根据特征变化参数，构建初始特征变化函数时，具体可包括以下内容：根据历史特征值，将历史特征值代入参数未知的初始特征变化函数中，通过最大似然估计公式进行参数估计，确定待检测轴承对应的特征变化参数，进而，将特征变化参数代入参数未知的初始特征变化函数中，构建初始特征变化函数。

在本申请的一种实施例中，若历史特征值为：{1.59,1.59,1.63,1.68,1.73,1.85,2.30,2.524,2.524,3.090,3.446,3.859,4.432,4.903,5.558,6.321,7.210,8.245,9.452,10.859,12.918,15.987,20.112,25.652,33.096}，参数未知的初始特征变化函数为：

其中，F(t)的值表示待检测轴承在t时刻的特征值，a，b，c，d均为特征变化参数，t表示时间，t

进一步的，将历史特征值代入参数未知的初始特征变化函数(即未确定特征变化参数的初始特征变化函数)中，通过最大似然估计公式进行特征变化参数估计，确定待检测轴承对应的特征变化参数，其中，最大似然估计公式(8)如下所示：

其中，L(θ)表示最大似然函数，θ可表示特征变化参数a、特征变化参数b、特征变化参数c和特征变化参数d，p(c

进一步的，确定待检测轴承对应的特征变化参数分别为：a＝0.348，b＝0.254，c＝2.673，d＝1.767，将特征变化参数代入参数未知的初始特征变化函数中，构建初始特征变化函数，具体函数表达式为：

其中，F(t)的值表示待检测轴承在t时刻的特征值，t表示时间。

上述轴承状态预测方法，通过待检测轴承在使用周期的参考特征值，确定目标特征变化函数；通过目标特征变化函数对待检测轴承进行特征值预测，得到待检测轴承在未来时间段的预测特征值；进一步的，采用目标特征变化函数和隐马尔科夫模型，确定待检测轴承在未来时间段的预测运行状态。由于上述过程中在确定待检测轴承在未来时间段的预测运行状态时，是根据目标特征变化函数和隐马尔科夫模型结合实现对待检测轴承进行状态预测，相比起现有技术中，仅根据隐马尔科夫模型进行状态预测的过程，能够更加准确地对轴承的运行状态进行预测。并且，目标特征变化函数，是初始特征变化函数根据待检测轴承的参考特征值进行参数更新得到的，因此，本申请在对待检测轴承进行状态预测时，还考虑了待检测轴承在使用周期对应的参考特征值，从而，进一步提高确定待检测轴承在未来时间段的预测运行状态的准确性。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的轴承状态预测方法的轴承状态预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个轴承状态预测装置实施例中的具体限定可以参见上文中对于轴承状态预测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种轴承状态预测装置，包括：第一确定模块10、第二确定模块20、第三确定模块30和第四确定模块40，其中：

第一确定模块10，用于确定待检测轴承的使用周期，以及确定待检测轴承在使用周期的参考特征值。

第二确定模块20，用于根据参考特征值，对初始特征变化函数进行参数更新，得到目标特征变化函数。

第三确定模块30，用于根据目标特征变化函数，预测待检测轴承在未来时间段的预测特征值。

第四确定模块40，用于采用目标特征变化函数和隐马尔科夫模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

上述轴承状态预测装置，通过待检测轴承在使用周期的参考特征值，确定目标特征变化函数；通过目标特征变化函数对待检测轴承进行特征值预测，得到待检测轴承在未来时间段的预测特征值；进一步的，采用目标特征变化函数和隐马尔科夫模型，确定待检测轴承在未来时间段的预测运行状态。由于上述过程中在确定待检测轴承在未来时间段的预测运行状态时，是根据目标特征变化函数和隐马尔科夫模型结合实现对待检测轴承进行状态预测，相比起现有技术中，仅根据隐马尔科夫模型进行状态预测的过程，能够更加准确地对轴承的运行状态进行预测。并且，目标特征变化函数，是初始特征变化函数根据待检测轴承的参考特征值进行参数更新得到的，因此，本申请在对待检测轴承进行状态预测时，还考虑了待检测轴承在使用周期对应的参考特征值，从而，进一步提高确定待检测轴承在未来时间段的预测运行状态的准确性。

在一个实施例中，如图8所示，提供了一种轴承状态预测装置，该轴承状态预测装置中第四确定模块40包括：第一确定单元41、第二确定单元42和第三确定单元43，其中：

第一确定单元41，用于根据目标特征变化函数，确定退化趋势函数。

第二确定单元42，用于根据退化趋势函数对隐马尔科夫模型进行模型更新，得到隐马尔科夫退化模型。

第三确定单元43，用于采用隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

在一个实施例中，如图9所示，提供了一种轴承状态预测装置，该轴承状态预测装置中第三确定单元43包括：第一确定子单元431和第二确定子单元432，其中：

第一确定子单元431，用于确定待检测轴承在未来时间段的初始运行状态。

第二确定子单元432，用于根据初始运行状态和隐马尔科夫退化模型，对预测特征值进行状态预测，得到待检测轴承在未来时间段的预测运行状态。

第二确定子单元432具体用于将预测特征值输入至隐马尔科夫退化模型，得到隐马尔科夫退化模型输出的候选运行状态；从候选运行状态中确定与初始运行状态对应的预测运行状态。

在一个实施例中，如图10所示，提供了一种轴承状态预测装置，该轴承状态预测装置还包括：第五确定模块50和训练模块60，其中：

第五确定模块50，用于确定样本轴承在历史周期的历史特征值，以及确定历史特征值对应的历史运行状态。

训练模块60，用于根据历史特征值和历史特征值对应的历史运行状态对初始模型的状态转移概率矩阵参数和观测值概率矩阵参数进行参数调整，得到隐马尔科夫模型。

在一个实施例中，如图11所示，提供了一种轴承状态预测装置，该轴承状态预测装置还包括：第六确定模块70和第七确定模块80，其中：

第六确定模块70，用于确定待检测轴承在历史周期的历史特征值。

第七确定模块80，用于根据历史特征值，确定待检测轴承对应的特征变化参数，并根据特征变化参数，构建初始特征变化函数。

上述轴承状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种轴承状态预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据块或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据块可包括关系型数据块和非关系型数据块中至少一种。非关系型数据块可包括基于区块链的分布式数据块等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。