动力机械是一类通过滚动或滑动轴承支撑,依靠叶片、齿轮等部件进行动力传递或能量转换的机械装置。在电力系统中,汽轮机、燃气轮机和风力发电机等都属于典型的动力机械。经过多年的发展,工业中的动力机械已经具有大型化,自动化,精密化的特点,有利地保障着国民生产的顺利进行。此类电力动力机械一旦出现故障,将不可避免地造成较大经济损失,甚至更加严重的后果。因此,开展动力机械的状态监测、故障预警与寿命预测具有重要的理论意义和工程价值。动力机械的故障模式多样,具体来讲,汽轮机、燃气轮机轴系的叶片裂纹、热应力不均、燃烧震荡会导致机组故障停机;风电机组中传动齿轮和轴承的断裂、磨损也需要检修更换,造成发电量损失。振动分析是进行上述设备故障趋势监测的有效手段,通过采集振动信号、提取反映故障趋势的故障特征、结合寿命预测方法可以有效发现故障并预判机组的失效时间,为进行机组的状态检修提供技术支持。粒子滤波是一种递归的贝叶斯分析方法,它通过系统的状态转移矩阵进行状态预测,结合大量已知分布的粒子、观测矩阵和重采样技术进行系统状态的更新。基于粒子滤波的状态估计方法由于其需求历史数据少,适用范围广,运算量相对较小等优点,在剩余寿命预测领域得到了广泛的应用。本文开展基于粒子滤波的动力机械剩余寿命预测方法研究,对粒子滤波器重采样部分以及系统模型的构建进行了一定程度的改进,改进之后的粒子滤波器对于粒子匮乏现象更具抵抗力,滤波器的适应性与稳定性也因而得到了提升;以改进后的粒子滤波器为基础,结合无迹卡尔曼滤波,提出基于无迹粒子滤波器的剩余寿命预测方法。能够通过无迹卡尔曼滤波对粒子滤波的粒子群进行优化,进一步提高滤波器的稳定性与预测精度。通过燃气轮机的振动趋势预测和风电机组发电机轴承寿命预测实验验证了本文方法的有效性。