基于小波相关特征尺度熵的HSMM设备退化状态识别与故障预测方法

隐半马尔可夫模型(HSMM)是隐马尔可夫模型(HMM)的一种扩展模型,是在已定义的HMM结构上加入了时间组成部分,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,与HMM相比具有更好的建模能力和分析能力,而且可以直接用于预测.基于振动信号与语音信号的相似性,将HSMM引入机械设备退化状态识别与故障预测中,提出基于小波相关特征尺度熵(WCFSE)的HSMM设备退化状态识别与故障预测方法.首先将小波相关滤波法与信息熵理论相结合得到能敏感表征故障严重程度的WCFSE向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models, HSMM)的设备退化状态识别新方法.对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念.构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别.以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态.     

基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

基于无限隐Markov模型的旋转机械故障诊断方法研究

针对传统隐Markov模型(HMM)在机械故障诊断中存在的不足,即HMM过学习或溢出问题以及隐状态数需要事先假定,提出了基于无限隐马尔可夫模型(i HMM)的机械故障诊断方法。在提出的方法中,以谱峭度为特征提取,i HMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,得到了非常满意的识别效果。提出的方法能够有效避免了HMM在建模初期遗留下的不足,可以自适应确定模型中隐藏状态数和模型数学结构,因此,提出的方法明显优于HMM故障识别方法。     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

基于隐马尔可夫模型的机器状态趋势预测方法

隐马尔可夫模型(HMM)提供了反映机械系统运行状态及故障信息一种新的信号模型,通过HMM问题的求解,可获得反映机器运行状态特征的信号模型,并应用于机器运行趋势进行预测.     

基于改进HMM的潜在电子故障状态识别模型

针对复杂电子装备隐性故障难以诊断的难题,在深入分析隐马尔可夫模型的核心问题及基本算法的基础上,探讨了其在故障诊断应用中存在的主要问题,建立了多状态电子装备可靠性评估模型,利用系统可靠性评估结果作为隐马尔可夫模型的初始模型特征量,改进了传统的隐马尔可夫模型,并对Baum-Welch训练算法进行了优化,形成了一套适于复杂电子装备潜在故障状态跟踪识别的数学模型.实验结果显示,理论方法及模型能够更好地识别潜在故障状态,加快了模型训练速度,提高了故障状态识别率.     

基于隐马尔可夫的滚动轴承健康状态评价方法研究

滚动轴承是发电机内部最容易发生故障的部件之一,为了评价轴承的运行状态,保证发电机组的正常运行,提出了一种基于小波包-互补聚合经验模态分解(CEEMD)和变分贝叶斯-隐马尔可夫模型(HMM)的滚动轴承健康状态评价方法。首先,采用小波包-互补聚合经验模态分解对振动信号进行了降噪和特征提取,再将提取到的健康状态下的特征信号输入到变分贝叶斯-隐马尔可夫模型中进行了训练,最终将轴承的全周期特征信号输入到该模型中,分别用轴承退化实验数据和实验台实测数据对此模型进行了测试。研究结果表明:模型输出的对数似然概率值可作为指标进行状态评价;对数似然概率曲线的变化均能反映轴承的健康、劣化和失效的运行状态,该实验方法具有很好的适用性。     

基于LSSVM-HMM的发射机故障预测研究

针对雷达发射机的故障状态具有强的随机性和不确定性问题,结合最小二乘支持向量机(LSSVM)能够对信号进行非线性预测和隐马尔可夫模型(HMM)能够进行较为精确的似然度概率计算的特点,提出了基于LSSVM-HMM的故障状态预测模型.通过基于小波包的SSNF算法对采集的磁控管电流信号进行去噪后提取有效的非平稳和非线性特征,用正常时的特征向量来训练HMM,并利用该模型对未知信号的特征向量及用LSSVM对其预测到的特征向量进行状态监测,从而获得故障出现的概率.实验结果表明,该模型用于小样本的发射机故障预测是有效的尝试.     

Equipment health diagnosis and prognosis using hidden semi-Markov models

In this paper, the development of hidden semi-Markov models (HSMMs) for equipment health diagnosis and prognosis is presented. An HSMM is constructed by adding a temporal component into the well-defined hidden Markov model (HMM) structures. The HSMM methodology offers two significant advantages over the HMM methodology in equipment health diagnosis and prognosis: (1) it overcomes the modeling limitation of HMM due to the Markov property and therefore improves the power in diagnosis, and (2) it can be directly used for prognosis. The application of the HSMMs to equipment health diagnosis and prognosis is demonstrated with the fault classification application of UH-60A Blackhawk main transmission planetary carriers and prognosis of a hydraulic pump health monitoring application. The effectiveness of the HSMMs is compared with that of the HMMs. The results of the application testing have shown that the HSMMs are capable of identifying the faults under both test cell and on-aircraft conditions while the performance of the HMMs is not comparable with that of the HSMMs. Furthermore, the HSMM-based methodology can be used to estimate the remaining useful life of equipment.     

A segmental hidden semi-Markov model (HSMM)-based diagnostics and prognostics framework and methodology

Diagnostics and prognostics are two important aspects in a condition-based maintenance (CBM) program. However, these two tasks are often separately performed. For example, data might be collected and analysed separately for diagnosis and prognosis. This practice increases the cost and reduces the efficiency of CBM and may affect the accuracy of the diagnostic and prognostic results.In this paper, a statistical modelling methodology for performing both diagnosis and prognosis in a unified framework is presented. The methodology is developed based on segmental hidden semi-Markov models (HSMMs). An HSMM is a hidden Markov model (HMM) with temporal structures. Unlike HMM, an HSMM does not follow the unrealistic Markov chain assumption and therefore provides more powerful modelling and analysis capability for real problems. In addition, an HSMM allows modelling the time duration of the hidden states and therefore is capable of prognosis. To facilitate the computation in the proposed HSMM-based diagnostics and prognostics, new forward–backward variables are defined and a modified forward–backward algorithm is developed. The existing state duration estimation methods are inefficient because they require a huge storage and computational load. Therefore, a new approach is proposed for training HSMMs in which state duration probabilities are estimated on the lattice (or trellis) of observations and states. The model parameters are estimated through the modified forward–backward training algorithm. The estimated state duration probability distributions combined with state-changing point detection can be used to predict the useful remaining life of a system.The evaluation of the proposed methodology was carried out through a real world application: health monitoring of hydraulic pumps. In the tests, the recognition rates for all states are greater than 96%. For each individual pump, the recognition rate is increased by 29.3% in comparison with HMMs. Because of the temporal structures, the same HSMMs can be used to predict the remaining-useful-life (RUL) of the pumps.     

A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction

Health monitoring and prognostics of equipment is a basic requirement for condition-based maintenance (CBM) in many application domains. This paper presents an age-dependent hidden semi-Markov model (HSMM) based prognosis method to predict equipment health. By using hazard function (h.f.), CBM is based on a failure rate which is a function of both the equipment age and the equipment conditions. The state values of the equipment condition considered in CBM, however, are limited to those stochastically increasing over time and those having non-decreasing effect on the hazard rate. The previous HSMM based prognosis algorithm assumed that the transition probabilities are only state-dependent, which means that the probability of making transition to a less healthy state does not increase with the age. In the proposed method, in order to characterize the deterioration of equipment, three types of aging factors that discount the probabilities of staying at current state while increasing the probabilities of transitions to less healthy states are integrated into the HSMM. With an iteration algorithm, the original transition matrix obtained from the HSMM can be renewed with aging factors. To predict the remaining useful life (RUL) of the equipment, hazard rate is introduced to combine with the health-state transition matrix. With the classification information obtained from the HSMM, which provides the current health state of the equipment, the new RUL computation algorithm could be applied for the equipment prognostics. The performances of the HSMMs with aging factors are compared by using historical data colleted from hydraulic pumps through a case study.     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

铁道车辆滚动轴承外圈故障数值模拟与实验

提出了一种故障轴承的三维建模方法,并采用数值模拟和实验研究相结合的方法分析了352226X2-2RZ型双列圆锥滚子轴承在正常状态和外圈剥离故障状态时的故障特征频率。首先,利用三维实体建模软件Solidworks建立了正常状态和外圈剥离故障状态的轴承模型;然后,将模型导入ADAMS中添加约束和驱动,并对两种模型进行动力学仿真分析;最后,利用轮对跑合实验台对故障轴承进行试验测试分析,试验结果与仿真结果十分吻合。研究结果证明了所提出的建模和仿真方法的正确性。     

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。