1.基于混合滤波和状态监测的滚动轴承剩余寿命预测方法，其特征在于，具体按照以下步骤实施：步骤1、获取滚动轴承运行过程中的水平振动信号；

步骤2、利用步骤1中获取到的水平振动信号计算峭度和均方根RMS值，并分别将水平振动信号的峭度和RMS确定为状态监测指标和预测指标，接着采用卡尔曼滤波算法KF监测轴承的运行状态并确定故障起始点FST；

步骤3、当轴承进入退化状态后，采用粒子滤波PF和无迹卡尔曼滤波UKF相结合的混合滤波算法估计未来的均方根值；

步骤4、在步骤3中得到的均方根估计值上建立滑动窗口和线性模型，以确定轴承的失效阈值，并判断均方根值超过失效阈值的时刻，得到剩余寿命预测结果。

2.根据权利要求1所述的基于混合滤波和状态监测的滚动轴承剩余寿命预测方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、状态监测指标和预测指标的确定：分别选择峭度和RMS作为状态监测指标和预测指标，计算方法如下式所示：其中，Vkurtosis表示峭度，VRMS表示均方根值，Vi表示第i个振动信号， 表示振动信号的平均值，n表示采样数量；

步骤2.2、在步骤2.1中将峭度确定为监测指标后，接着基于峭度采用KF算法实时监测轴承的运行状态并确定FST点，通过对峭度的历史数据分析可知，在正常运行阶段，建立基于线性函数模型的KF如下：状态向量：

其中 为k时刻的原始峭度值， 为k时刻的先验状态估计；

状态转移矩阵A：

A＝1

测量矩阵H：

H＝1

过程噪声协方差Q：

Q＝q[Δt]

其中Δt为原始峭度值的采样间隔，q是过程误差；

步骤2.3、在步骤2.2中对峭度进行滤波后，在滤波值上建立滑动窗口，并通过下式计算窗口内原始值KURraw和滤波值KURfil之间的相对误差RE_error，同时预先设定一个允许的误差边界，若RE_error没有超过误差边界，则认为当前时刻仍为正常状态，继续计算下一个监测点；若RE_error超过误差边界，则将当前时刻记为FST点，即轴承从正常状态进入了退化状态，KF算法结束，RUL预测过程开始，其中RE_error(l)为l时刻的相对误差，Ns为滑动窗口长度，KURraw(i)和KURfil(i)为第i个峭度的原始值和滤波值。

3.根据权利要求2所述的基于混合滤波和状态监测的滚动轴承剩余寿命预测方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、建立轴承的退化模型为：

zRMS(t)＝a·exp(b·t)+c·exp(d·t)其中，ZRMS(t)为t时刻的RMS值，a、b、c、d为模型中的未知参数；

步骤3.2、建立轴承退化系统的状态方程和测量方程为：zRMSk＝ak·exp(bk·k)+ck·exp(dk·k)+vk＝xk(1)·exp(xk(2)·k)+xk(3)·exp(xk(4)·k)+vk令 其中 分别为系统k‑1时刻下参数a、b、

c、d的过程噪声，则状态方程和测量方程改写为如下形式：T

xk＝[ak,bk,ck,dk]＝xk‑1+wk‑1其中，xk和xk‑1分别为系统k时刻和k‑1时刻的退化状态，ak,bk,ck,dk为k时刻的状态参数， 为系统k时刻的RMS测量值，xk(1),xk(2),xk(3),xk(4)分别代表ak,bk,ck,dk，wk‑1为系统k‑1时刻下的过程噪声，vk为系统k时刻下的量测噪声，二者互不相关且均服从零均值的高斯分布，方差分别为Q＝[Qa,Qb,Qc,Qd]和R；

步骤3.3、确定预测起始点SPT，通过步骤3.1中建立的退化模型拟合FST点到SPT点间的RMS值，并计算拟合曲线和原始曲线的Fréchet距离，最后选取使Fréchet距离达到最小时的参数作为步骤3.1中轴承退化模型的初始参数；

步骤3.4、采用粒子滤波PF和无迹卡尔曼滤波UKF相结合的混合滤波算法更新步骤3.1中的轴承退化模型参数并估计未来的均方根值。

4.根据权利要求3所述的基于混合滤波和状态监测的滚动轴承剩余寿命预测方法，其特征在于，所述步骤3.4具体如下：步骤3.4.1、从滚动轴承系统的先验概率密度分布p(x0)中采样得到粒子集其中 为初始时刻的状态对应的第i个粒子，N为总的粒子个数，每个粒子的初始权值为1/N；

步骤3.4.2、从建议分布 中采样得到更新后的粒子 同时粒子的初始权值更新为重要性权值 接着将重要性权值进行归一化

其中 为k‑1时刻的状态对应第i个粒子的重要性权值， 为k‑1时刻的状态对应第i个粒子归一化后的重要性权值；

步骤3.4.3、当有效粒子数Neff＜Nth时，进行重采样，原来带有权值的样本进行重采样之后将变为等权样本 其中 为重采样后0到k‑1时刻的状态对应的第i个粒子，Nth为有效样本数阈值；

步骤3.4.4、得到k‑1时刻的状态估计 为：

步骤3.4.5、根据k‑1时刻的 基于采样策略获取一组sigma点集 和对应权值

其中，ns为系统状态向量的维数，λ表示缩放参数，P为协方差矩阵， 为平方根矩阵的第j列， 和 分别为第一个sigma点计算均值和方差时的权值，α表示sigma点的分布状态，β为调整参数；

步骤3.4.6、计算步骤3.4.5中获取到的sigma点集 的一步预测：其中 为sigma点集中的第j个sigma点， 为 的一步预测；

步骤3.4.7、计算系统状态量的预测均值 及预测协方差矩阵Pk|k‑1：步骤3.4.8、根据步骤3.4.7得到的预测均值 和预测协方差Pk|k‑1再次构造sigma点集步骤3.4.9、根据观测模型对sigma点集 进行非线性变换，计算观测量预测采样点

步骤3.4.10、计算系统观测量的预测均值

步骤3.4.11、计算自协方差Pzz,k|k‑1和互协方差Pxz,k|k‑1：步骤3.4.12、计算卡尔曼增益Kk，用最新量测值更新粒子，计算k时刻后验状态估计均值和协方差矩阵Pk：步骤3.4.13、若当前时刻未达到失效阈值，则返回步骤3.4.2进行下一步的粒子更新，继续进行k+1时刻的混合滤波计算，直到达到失效阈值后，算法终止，输出RMS值的估计结果。

5.根据权利要求4所述的基于混合滤波和状态监测的滚动轴承剩余寿命预测方法，其特征在于，所述步骤4具体如下：步骤4.1、在步骤3中得到的RMS估计值上建立一个滑动窗口，并在该滑动窗口上建立如下式所示的线性模型，每得到一个RMS估计值，滑动窗口向前移动一步，以包含下一个估计值并丢弃最旧的估计值，窗口内的线性模型也随之更新，同时结合窗口内的RMS值并采用最小二乘法求解该模型的梯度，根据求得的梯度确定轴承的失效阈值：yRMS＝gts+bs

其中，ts表示时间参数，yRMS表示RMS的估计值，bs表示模型参数，系数g表示RMS值相对时间的梯度，当g小于等于0，表明轴承处于健康状态，g大于0，表明轴承处于退化状态，本发明通过分析轴承的历史退化数据，设定当窗口长度为50，梯度大于等于0.02时，轴承失效；

步骤4.2、若RMS在tfail时刻超过失效阈值，则当前时刻k'的剩余使用寿命RULk'为：RULk'＝tfail‑k'

其中，tfail为滚动轴承的失效时刻，k'为当前时刻，RULk'为k'时刻的剩余使用寿命。