CN111783242B - 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 - Google Patents

Abstract

本发明涉及一种基于RVM‑KF的滚动轴承剩余寿命预测方法及装置。其中方法包括：获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；利用历史数据训练RVM模型；根据实时监测数据和SKF确定预测起始时刻，并根据实时监测数据确定卡尔曼滤波器的状态方程；将预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将其作为卡尔曼滤波器的观测值，进行单步预测，将单步预测数据加入历史数据更新RVM模型；利用更新后的RVM模型进行迭代预测，直至单步预测数据中的振动数据超过失效阈值完成剩余寿命的预测。本发明结合RVM模型、卡尔曼滤波器、SKF实现了进入加速退化阶段滚动轴承剩余寿命的准确预测。

Description

一种基于RVM-KF的滚动轴承剩余寿命预测方法及装置

技术领域

本发明涉及一种基于RVM-KF的滚动轴承剩余寿命预测方法及装置，属于故障预测与健康管理技术领域。

背景技术

滚动轴承作为一种广泛应用于机械设备的基础零部件，是决定机械设备安全可靠运行的关键部件之一。根据相关的调查研究发现旋转机械设备中大概30％的机械故障是滚动轴承失效的结果。机械故障不仅会造成经济损失，还可能导致人员伤亡，因此准确预测滚动轴承的剩余使用寿命(Remaining useful life，RUL)，可以有效地避免因滚动轴承失效所导致的主体机组失效、停机维修、生产力丧失、人员伤亡等严重问题。

目前滚动轴承的剩余寿命预测主要分为基于模型的剩余寿命预测方法和基于数据的剩余寿命预测方法。

基于模型的剩余寿命预测方法通过分析轴承的失效机理或总结经验利用Paris裂纹扩展模型、Forman裂纹扩展定律、指数模型、随机模型等描述轴承的退化过程，继而进行轴承的剩余寿命预测，但滚动轴承的退化机理很难准确得到并且模型的选择对预测结果也有很大的影响。

基于数据的方法不需要建立物理模型或统计模型，而是从现有的监测数据中通过神经网络、SVM(支持向量机)和RVM(相关向量机)等模型得到轴承退化状态与剩余寿命之间的关系，从而预测滚动轴承的剩余寿命，基于数据的方法充分利用了全寿命试验数据，需要大量高质量的数据准确建立轴承退化与剩余寿命之间的关系，但是该方法无法体现个体的差异。

为此，有人提出考虑个体差异和全寿命整体特征的寿命预测方法，例如：期刊为《兵工学报》、期刊号为第39卷第5期2018年5月，名称为“基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究”，该方法根据现有全寿命试验数据训练所得的SVM回归模型，建立非线性卡尔曼滤波状态更新方程，依据机械零件退化特征构造时间更新方程，设定初始剩余寿命值及其方差，通过逐步迭代计算各时刻剩余寿命估计值及一定置信水平的置信区间。该计算模型能够充分利用现有零件与同类零件全寿命试验数据和被预测零件的实时状态退化数据，实现剩余寿命预测，从而达到所得剩余寿命预测模型既能够利用全寿命数据，又考虑到研究对象个体差异(卡尔曼滤波模型)的目的。

然而上述方法为了得到准确的非线性卡尔曼滤波状态方程，对训练样本质量和SVM模型精度的要求较高，也即对模型和数据的依赖性较大，并且在长期性预测方面的准确性并不高，不能够有效满足工程的需求。

发明内容

本申请的目的在于提供一种基于RVM-KF的滚动轴承剩余寿命预测方法，用以解决现有技术剩余寿命预测不准确的问题；同时还提供一种基于RVM-KF的滚动轴承剩余寿命预测装置，用以解决现有技术剩余寿命预测不准确的问题。

为实现上述目的，本发明提出了一种基于RVM-KF的滚动轴承剩余寿命预测方法的技术方案，包括以下步骤：

1)获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；所述实时监测数据、历史数据是指振动数据和对应的时间；

2)利用历史数据训练RVM模型；所述RVM模型的输入为时间，输出为振动数据；

3)根据实时监测数据和SKF确定预测起始时刻；并根据实时监测数据确定卡尔曼滤波器的状态方程；

4)将所述预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将估计的振动数据作为卡尔曼滤波器的观测值进行单步预测，得到单步预测数据，若单步预测数据中的振动数据超出失效阈值，则完成剩余寿命的预测，若单步预测数据中的振动数据未超出失效阈值，则将单步预测数据加入步骤2)的历史数据中，重新训练RVM模型，更新RVM模型；迭代的执行本步骤直至单步预测数据中的振动数据超出失效阈值。

另外，本发明还提出了一种基于RVM-KF的滚动轴承剩余寿命预测装置的技术方案，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述基于RVM-KF的滚动轴承剩余寿命预测方法的技术方案。

本发明的基于RVM-KF的滚动轴承剩余寿命预测方法及装置的技术方案的有益效果是：本发明通过同类滚动轴承的历史数据建立了RVM模型，根据待预测滚动轴承的实时监测数据和SKF确定了待预测滚动轴承进入加速退化的时刻，进而确定了预测起始时刻，同时还根据实时监测数据确定了卡尔曼滤波器的状态方程，根据预测起始时刻结合建立的RVM模型对振动数据进行估计，并将估计值作为卡尔曼滤波器的观测值进行单步预测，单步预测的振动数据未超出失效阈值时，将预测数据加入RVM模型中，重新训练RVM模型，进行迭代预测，直至单步预测的振动数据超出失效阈值，表明迭代结束，得到剩余寿命。本发明通过不断更新RVM模型，结合RVM模型、卡尔曼滤波器、SKF实现了进入加速退化阶段滚动轴承剩余寿命的准确预测，减少了滚动轴承剩余寿命长期预测的不确定性，提高了滚动轴承剩余寿命长期预测的精度，而且将卡尔曼滤波与状态方程结合有效减少了预测过程对数据和模型的依赖。

进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，为了更好的拟合加速退化过程，卡尔曼滤波器的状态方程为随机效应指数模型。

进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，所述随机效应指数模型为：

其中，Y(t)为t时刻的振动数据；α为常数；θ和β为参数；σ²为方差；ε(t)为误差项，是均值为0、方差为σ²的布朗运动。

进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，所述振动数据包括从振动信号中提取的至少一个特征值。

进一步的，上述基于RVM-KF的滚动轴承剩余寿命预测方法及装置中，为了提高预测的准确性，并且降低模型训练的复杂程度，训练RVM模型时利用的历史数据为加速退化阶段的历史数据。

附图说明

图1是本发明基于RVM-KF的滚动轴承剩余寿命预测方法的流程图；

图2是本发明滚动轴承的退化曲线；

图3是本发明预测的滚动轴承2-3的退化轨迹和现有技术预测的滚动轴承2-3的退化轨迹的比较图；

图4是本发明预测的滚动轴承2-5的退化轨迹和现有技术预测的滚动轴承2-5的退化轨迹的比较图；

图5是本发明预测的滚动轴承2-3的剩余寿命和现有技术预测的滚动轴承2-3的剩余寿命的比较图；

图6是本发明预测的滚动轴承2-5的剩余寿命和现有技术预测的滚动轴承2-5的剩余寿命的比较图；

图7是本发明基于RVM-KF的滚动轴承剩余寿命预测装置的结构示意图。

具体实施方式

基于RVM-KF的滚动轴承剩余寿命预测方法实施例：

基于RVM-KF的滚动轴承剩余寿命预测方法的主要构思在于，本发明将RVM模型、卡尔曼滤波器以及SKF结合，对滚动轴承进入加速退化阶段的剩余寿命进行迭代预测，提高了寿命预测的准确性。

具体的，基于RVM-KF的滚动轴承剩余寿命预测方法如图1所示，包括以下步骤：

1)收集与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据，历史数据包括振动信号和对应的时间(这里的时间为使用时间)。

为了减小个体差异，对于不同型号的滚动轴承运用不同的模型参数进行寿命预测，因此在建模时选用的历史使用数据对应的滚动轴承，应当与待预测的滚动轴承同类(也即同型号)。

对多个同型号的滚动轴承在相同的试验条件下进行全寿命周期试验，试验过程中周期性的采集滚动轴承工作过程中的振动信号(每1min采集1.28s的振动信号)，直至滚动轴承完全失效，获得多个滚动轴承的全寿命振动信号，每个振动信号都有其对应的使用时间。

2)从步骤1)的振动信号中提取能够有效表征滚动轴承退化的特征值。

为了实现剩余寿命的预测，从振动信号中提取表征滚动轴承退化的特征值作为振动数据，然而振动信号中包含多种振动数据，在表征退化的振动数据可以用其他振动数据进行计算得到的情况下，也可以提取其他振动数据，本发明对此不做限制。

3)将步骤2)得到特征值以及每个特征值在步骤1)中对应的时间输入预先建立的SKF模型中，找出同类滚动轴承在生命周期中的加速退化时刻(即早期故障点)。

滚动轴承的退化过程如图2所示包括平稳退化阶段和加速退化阶段，SKF模型为一个动态贝叶斯网络，包括两个卡尔曼滤波器，两个卡尔曼滤波器包括用于预测某个时刻属于平稳退化概率的第一卡尔曼滤波器，适用于平稳退化阶段；以及预测某个时刻属于加速退化概率的第二卡尔曼滤波器，适用于加速退化阶段。SKF所输入的数据通过第一卡尔曼滤波器可以得到每个时刻属于平稳退化阶段的第一概率，通过第二卡尔曼滤波器可以得到每个时刻属于加速退化阶段的第二概率。

具体的卡尔曼滤波器的概率计算过程如下：

第一卡尔曼滤波器和第二卡尔曼滤波器都是基本的尔曼滤波器，其预测和更新过程如下：

预测过程为，状态预测：

协方差预测：

更新过程为，测量残差：

残差协方差：

卡尔曼增益：

状态更新：

协方差更新：

其中，y_t为t时刻监测到的特征值，为t时刻估计的特征值，φ_t为t时刻的状态转移矩阵，/>为φ_t的转置矩阵，H_t为t时刻的观测矩阵，/>为H_t的转置矩阵，δ_t为t时刻的测量残差，C_t为t时刻的残差协方差，C_t ^-1为C_t的逆矩阵，K_t为t时刻的卡尔曼增益，Q_t为t时刻的过程噪声的方差，R_t为t时刻测量噪声的方差，/>为协方差的估计值，I为单位矩阵，x_t为t时刻更新的估计的特征值，P_t为t时刻更新的协方差的估计值。

接着，第i个卡尔曼滤波器的测量残差服从均值为0的正态分布的概率密度函数为：

得到各个卡尔曼滤波器的概率为：

状态加权

协方差加权

其中，为t时刻下特征值属于第i个卡尔曼滤波器的概率，Z_ij为第i个卡尔曼滤波器转移到第j个卡尔曼滤波器的概率，n为卡尔曼滤波器的数量，/>为t时刻下第i个卡尔曼滤波器的测量残差，/>为t时刻下第i个卡尔曼滤波器的残差协方差，/>为t时刻第i个卡尔曼滤波器更新的状态，P_t ⁱ为t时刻第i个卡尔曼滤波器更新的协方差。将计算的状态加权和协方差加权带入上述卡尔曼滤波过程中，得到各时刻最可能的退化状态。

得到每个时刻的第一概率和第二概率后，若连续若干个时刻(若干个时刻一般选取5个时刻，当然若干个的数量可以根据需要进行设定)的第二概率大于第一概率，则将这若干个时刻的最前端的时刻作为加速退化时刻，当然作为其他实施方式，加速退化时刻也可以根据这若干个时刻进行计算得出，或者将这若干个时刻的最后端的时刻作为加速退化时刻，本发明对此不做限制。

作为其他实施方式，也可以采用其他方法判断待预测滚动轴承所处的阶段，例如：将特征值和经验值比较，也可以判断所处的阶段。本发明对如何判断待预测滚动轴承所处的阶段的方式并不做限制。

4)将步骤3)中得到的加速退化时刻后的历史数据作为训练数据集，训练RVM模型。

RVM模型是贝叶斯框架下的一种广义线性模型，训练数据集为所建立的RVM模型为：

l_n＝y(t_n；ω)+ε_n；

训练样本的似然函数为：

其中，l_n为第n个目标数据(即输出数据)，这里为特征值；t_n为第n个输入数据，这里为时间(即使用时长)；N为训练数据集中数据总数；ω_n为第n个数据对应的权重，K(t,t_n)为第n个数据对应的核函数；ε_n为均值为0、方差为σ²的高斯白噪声；Φ是一个基于核函数的N×N+1矩阵，Φ＝[φ(t₁),φ(t₂),…，φ(t_n),…,φ(t_N)]^T，φ(t_n)为第n数据对应的核向量，φ(t_n)＝[1,K(t_n,t₁),K(t_n,t₂),…K(t_n,t_N)]K(t_n,t₁),K(t_n,t₂),…,K(t_n,t_N)均为K(t,t_n)中的向量元素，t为输入集；l为输出集；ω为权重集，ω＝(ω₁,ω₂,…,ω_n,…ω_N)^T。

直接使用极大似然法对ω与σ²的求解，结果通常使ω中的元素大部分都不是0，从而导致过拟合。为避免在RVM中出现这个现象，为ω加上先决条件：它们的概率分布是落在0周围的正态分布：

其中，α为一个N+1的矢量；α_i为第i个超参数；N()为正态分布。

因此，对于新给定的输入t_*，其预测值l_*：

p(l_*|l)＝∫p(l_*|ω,α,σ²)p(ω,α,σ²|l)dωdαdσ²。

本步骤中，对于RVM模型的训练优选加速退化时刻后的历史数据，这样不仅可以避免数据量过多，还可以使得RVM模型针对加速退化阶段进行预估，预估的更加准确，作为其他实施方式，也可以将全部历史数据对RVM模型进行训练，本发明对此不做限制。

5)获取待预测滚动轴承的实时监测数据，实时监测数据包括振动信号以及对应的时间(这里为使用时间)；从振动信号中提取能够有效表征滚动轴承退化的实时特征值，并根据实时特征值和SKF判断待预测滚动轴承所处的阶段，若判断出待预测滚动轴承进入加速退化时刻，则根据加速退化时刻确定预测起始时刻。

一般情况下预测起始时刻比加速退化时刻稍退后些，例如：加速退化时刻为使用200min对应的时刻，那么预测起始时刻为使用220min对应的时刻，当然，预测起始时刻可以根据需要进行设定，本发明不做限制。

判断待预测滚动轴承所处的阶段的过程与步骤3)相同，只不过这里输入SKF的数据为实时特征值，因此这里不对其具体判定过程进行赘述。

6)根据实时监测数据确定卡尔曼滤波器(KF)中状态方程的参数，确定状态方程，状态方程为随机效应指数模型。

确定状态方程参数的实时监测数据可以为加速退化时刻附近的监测数据，可以为预测起始时刻附近的监测数据，本发明对此不做限制。在未确定预测起始时刻前，状态方程可以根据监测数据的更新而更新状态方程，但是预测起始时刻确定后，状态方程是不变的。

本实施例中，滚动轴承的退化曲线如图2所示，包括平稳的平稳退化状态和加速退化状态，从图中可以看出，加速退化曲线与指数函数曲线类似，因此利用随机效应指数模型表示卡尔曼滤波器的状态方程，随机系数指数模型为：

其中，Y(t)为t时刻的振动数据(这里为滚动轴承的特征值)；α为常数；θ和β为参数(也即随机参数)；ε(t)为误差项，是均值为0、方差为σ²的布朗运动。

为了方便计算，将随机系数指数模型进行取对数，变形为：

上式中：θ'＝lnθ，θ'和β'为变形后的参数，ε(t)表示误差，是一个均值为0，方差为σ²的中心布朗运动。

作为其他实施方式，第三卡尔曼滤波器的状态方程可以是现有的任意一种模型，可以符合加速退化的过程即可，本发明对此不做限制。

7)将步骤5)中确定的预测起始时刻输入步骤4)中训练好的RVM模型，得到估计的待预测滚动轴承的特征值，将估计的待预测滚动轴承的特征值作为卡尔曼滤波器的测量值，进行单步预测，得到单步预测数据，将单步预测数据加入步骤4)中的训练数据集中重新训练RVM模型，更新RVM模型。

单步预测数据中包括单步预测的时间：预测起始时刻+步长，以及单步预测的特征值；

8)利用更新后的RVM模型进行下一时刻的特征值的估计，进行迭代预测，直至单步预测数据中的特征值(即预测特征值)超过失效阈值，完成剩余寿命的预测。

步骤8)中判断单步预测数据中的振动数据是否超过失效阈值，若没超过，则继续迭代预测，若超过则根据迭代次数确定待预测滚动轴承的剩余寿命。

步骤8)中每更新一次RVM模型均是对下一使用时刻的特征值进行估计，例如：确定预测起始时刻为使用220min，根据步骤4)训练好的RVM模型，得到使用220min的估计特征值，通过KF对使用220min的估计特征值进行单步预测，得到单步预测数据；单步预测数据中包括使用220min以及对应的预测特征值；如果使用220min对应的预测特征值未超出失效阈值，则将该单步预测数据加入步骤4)的训练数据集中，重新训练RVM模型，更新RVM模型；

然后根据更新后的RVM模型进行使用220min+1min的特征值的估计，得到使用221min时的估计特征值，通过KF对使用221min的估计特征值进行单步预测，得到单步预测数据；本次迭代的单步预测数据中包括使用221min以及对应的预测特征值；

以此类推，进行迭代预测，若对使用230min的特征值估计后，单步预测数据中的预测特征值超出失效阈值，那么剩余寿命为230min-220min＝10min。

本发明中为了得到不同预测起始时刻对应的剩余寿命，在第一个预测起始时刻进行寿命预测完毕后，更新预测起始时刻重新进行寿命预测，此时还需要对状态方程进行更新，也即重复步骤6)-步骤8)，完成新的预测起始时刻的剩余寿命的预测。进而得到不同的预测起始时刻对应的剩余寿命。

下面结合实例来验证本发明的有效性和正确性，数据集XJTU-SY是由西安交通大学(XJTU)设计科学与基础构件研究所和浙江长兴昇阳科技股份有限公司(SY)提供。

本发明将滚动轴承的退化过程分为平稳退化和加速退化，提取工况2下的5个滚动轴承的小波包系数均方根(特征值)进行退化状态识别，5个滚动轴承的序号分别为2-1、2-2、2-3、2-4、2-5，各个滚动轴承进入加速退化阶段的时刻如表一。本发明设置滚动轴承的失效阈值为13，并且将序号2-3和序号2-5的滚动轴承作为待预测的滚动轴承，将序号2-3作为待预测的滚动轴承时，序号2-1、2-2、2-4、2-5的滚动轴承的数据作为训练集；将序号2-5作为待预测的滚动轴承时，序号2-1、2-2、2-3、2-4的滚动轴承的数据作为训练集；利用其余4个滚动轴承加速退化阶段小波包系数均方根作为RVM训练集，根据训练好的RVM模型估计待预测滚动轴承的退化特征值，将RVM的估计值作为KF的测量值进行单步预测处理，将KF滤波值加入RVM训练集重新训练RVM模型进行下一次迭代预测，直至达到滚动轴承的失效阈值完成轴承剩余寿命的预测。将利用RVM、KF和本发明迭代方法估计轴承的退化轨迹、剩余寿命进行了对比，对比结果如图3、图4、图5、图6所示。并如表二所示，利用绝对误差MAE和均方根误差RMSE给出了3种方法进行退化轨迹预测的精度。

绝对误差：

均方根误差：

式中，x_i为轴承的真实退化特征量，y_i为预测的退化特征量数据，n为数据的总个数。

表一5个滚动轴承的加速退化时刻

轴承序号	2-1	2-2	2-3	2-4	2-5
						进入加速退化阶段时刻(min)	456	55	305	31	124

表二 序号为2-3、2-5的滚动轴承采用不同的的预测方法的绝对误差和均方根误差

从图3和图4的比较结果可以看出，本发明的方法(RVM-KF)的预测结果与真实值更加接近。本发明基于SKF模型，利用分段线性逼近滚动轴承的非线性退化，跟踪滚动轴承退化过程的动态变化，不需要设置阈值和大量数据训练模型，自适应地获得各时刻最可能的退化模型；RVM是贝叶斯框架下的一种广义线性模型，相较于神经网络RVM更适合处理小样本问题，可以提供完整的预测分布；同时将KF与随机效应指数模型相结合可以更好的拟合轴承的退化过程，从而使寿命预测更准确。

本发明的方法不需要精确的模型和大量高质量的数据就能实时准确预测轴承进入加速退化阶段较早期的剩余使用寿命，同时减少了长期预测的不确定性。

基于RVM-KF的滚动轴承剩余寿命预测装置实施例：

基于RVM-KF的滚动轴承剩余寿命预测装置，如图7所示，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现基于RVM-KF的滚动轴承剩余寿命预测方法。

基于RVM-KF的滚动轴承剩余寿命预测方法的具体实施过程以及效果在上述基于RVM-KF的滚动轴承剩余寿命预测方法实施例中介绍，这里不做赘述。

也就是说，以上基于RVM-KF的滚动轴承剩余寿命预测方法实施例中的方法应理解可由计算机程序指令实现基于RVM-KF的滚动轴承剩余寿命预测方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等)，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。

本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置；

本实施例所指的存储器用于存储实现基于RVM-KF的滚动轴承剩余寿命预测方法而形成的计算机程序指令，包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

通过上述存储有实现基于RVM-KF的滚动轴承剩余寿命预测方法而形成的计算机程序指令的存储器、处理器构成的基于RVM-KF的滚动轴承剩余寿命预测装置，在计算机中由处理器执行相应的程序指令来实现，计算机可使用windows操作***、linux***、或其他，例如使用android、iOS***程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

作为其他实施方式，基于RVM-KF的滚动轴承剩余寿命预测装置还可以包括其他的处理硬件，如数据库或多级缓存、GPU等，本发明并不对基于RVM-KF的滚动轴承剩余寿命预测装置的结构做具体的限定。

Claims (4)

1.一种基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于，包括以下步骤：

1)获取待预测滚动轴承的实时监测数据，以及与待预测滚动轴承同类的滚动轴承整个生命周期的历史数据；所述实时监测数据、历史数据是指振动数据和对应的时间；

2)利用历史数据训练RVM模型；所述RVM模型的输入为时间，输出为振动数据；

3)根据实时监测数据和SKF确定预测起始时刻；并根据实时监测数据确定卡尔曼滤波器的状态方程，所述卡尔曼滤波器的状态方程为随机效应指数模型，所述随机效应指数模型为：

其中，Y(t)为t时刻的振动数据；α为常数；θ和β为参数；σ²为方差；ε(t)为误差项，是均值为0、方差为σ²的布朗运动；

4)将所述预测起始时刻输入训练好的RVM模型，得到估计的振动数据，将估计的振动数据作为卡尔曼滤波器的观测值，进行单步预测，得到单步预测数据，若单步预测数据中的振动数据超出失效阈值，则完成剩余寿命的预测，若单步预测数据中的振动数据未超出失效阈值，则将单步预测数据加入步骤2)的历史数据中，重新训练RVM模型，更新RVM模型；迭代的执行本步骤直至单步预测数据中的振动数据超出失效阈值。

2.根据权利要求1所述的基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于，所述振动数据包括从振动信号中提取的至少一个特征值。

3.根据权利要求1所述的基于RVM-KF的滚动轴承剩余寿命预测方法，其特征在于，训练RVM模型时利用的历史数据为加速退化阶段的历史数据。

4.一种基于RVM-KF的滚动轴承剩余寿命预测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-3中任一项所述的基于RVM-KF的滚动轴承剩余寿命预测方法。