基于遗传算法的耦合隐马尔科夫模型的故障诊断方法

针对有效利用多通道数据进行准确、灵敏的故障诊断的问题,研究了一种基于遗传算法的耦合隐马尔科夫模型的故障诊断方法。该方法是通过遗传算法优化耦合隐马尔科夫模型参数,以优化参数后的耦合隐马尔科夫模型拟合设备各状态数据建立状态模型库,再计算待诊断信号的极大似然概率值判断设备状态。通过对滚动轴承6种状态实验数据的分析,表明遗传算法能对耦合隐马尔科夫模型参数进行有效优化,且这种基于遗传算法参数优化的耦合隐马尔科夫模型能准确、灵敏地进行故障诊断,且能以极少量数据识别出状态变化。相比于传统故障诊断方法,该方法可不进行特征提取直接建立诊断模型,简化了诊断流程且能更好利用隐马尔科夫模型对状态转变敏感的特性。     

基于EMD-HMM的BIT间歇故障识别

针对引起机内测试系统(BIT)虚警的间歇故障,提出了一种基于经验模态分解(EMD)和隐马尔科夫模型(HMM)的间歇故障诊断方法以抑制虚警。首先对原始信号进行EMD分解,选择能量最大的几个固有模式分量函数(IMF)进行特征提取,作为系统状态的观测值;然后将观测值输入到训练好的HMM中进行决策,求取最大似然概率值作为识别结果。结果表明,利用EMD进行特征提取并与HMM方法相结合能很好地分类出各种状态,有效地诊断出间歇故障。     

基于时延相关解调-隐马尔科夫模型的故障诊断与模式识别研究

针对齿轮性能参数的退化特点,提出了一种时延相关解调(DCE)和隐马尔科夫模型(HMM)相结合的故障模式识别与分析方法。该方法对采集的振动信号进行自相关时延去噪,提取能量特征,分别使用正常状态、齿根裂纹和齿轮断齿的全过程数据训练HMM,建立性能评估模型,然后进行模式识别。最后,通过与标准HMM进行对比,验证了所提出的方法的可行性和有效性。     

直升机航向姿态系统机内测试降虚警方法

振动、温度等环境因素导致的虚警问题严重阻碍着机内测试在直升机航向姿态系统中的应用,针对该问题建立了航向姿态系统机内测试的隐马尔科夫模型,采用正常、虚警、故障等历史信息训练该模型.提出了基于隐马尔科夫模型的降虚警方法,该历史信息与当前机内测试结果相结合,监测识别机内测试虚警.某型直升机航向姿态系统机内测试试验结果表明,该方法可以有效地降低机内测试虚警.     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

基于DHMM和SVM的机械密封端面接触状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

白车身焊接生产线设备健康状态评估研究

针对白车身焊接生产线设备特点,考虑到设备突发大故障具有概率低及危害大的特点,在设备健康状态中引入突发大故障状态,构建了设备健康状态评估模型,利用隐马尔科夫模型评估设备健康状态,并利用焊接设备的滚珠丝杠数据进行了健康状态评估模型的实例验证,证明了方法的有效性。     

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.     

隐马尔科夫链模型在装备运行可靠性预测中的应用

为使企业内关键装备趋于零故障运转,提出了一种基于隐马尔科夫链模型的装备运行可靠性预测方法。它针对装备使用过程中所监测到的性能特征参数并不能与运行状态简单地一一对应的问题,引入隐马尔科夫链模型来识别多观测序列下装备隐含的状态变迁过程。根据建立的状态变迁模型并结合切普曼-柯尔莫哥洛夫微分方程来推断装备运行可靠性。最后,在欧泰OTM 650数控铣床上验证了该方法的可行性。     

基于CHMM的轴承性能退化程度综合评估方法研究

针对传统轴承性能退化评估方法中退化阶段划分的主观性以及连续隐马尔科夫模型在建立评估模型时只考虑正常状态下的样本所引起评估结果的不足,提出了一种基于连续隐马尔科夫模型的轴承性能退化程度综合评估方法。该方法首先通过支持向量聚类方法将轴承全寿命周期划分成若干个退化阶段,然后从每个阶段中提取一定比例的样本用于训练,采用轴承正常阶段的训练样本建立轴承的连续隐马尔科夫模型,将不同退化阶段的训练样本输入模型,分别得到不同阶段样本相对于所建立正常阶段的连续隐马尔科夫模型的输出概率,据此得到样本隶属于不同退化阶段的隶属函数分布。最后,采用集对分析的方法建立轴承测试样本相对于正常阶段样本的联系度,并最终得到轴承性能退化程度的综合得分。通过利用轴承全寿命数据,并与传统连续隐马尔科夫模型及传统无量纲指标进行了对比,验证了所提出的综合评估方法在轴承性能退化评估方面的有效性。     

基于多状态MOG-HMM和Viterbi的航空发动机突发故障预测

针对航空发动机的突发故障,提出了一种基于多状态混合高斯隐马尔科夫模型(mixture of Gaussian hidden Markov model,简称MOG-HMM)和Viterbi算法相结合的预测方法。首先,根据航空发动机突发故障的历史监测数据建立多状态MOG HMM模型,确定状态数、状态转移矩阵、观察值概率分布以及最终的突发故障状态;然后,对新采集的观测数据,通过Viterbi算法解码出该观测数据对应的当前状态;最后,计算该状态到达突发故障状态的时间间隔,从而可以对突发故障进行预测。仿真和实验结果表明,该方法能够实现对突发故障的预测,并且符合标准预测指标的要求。     

基于小波去噪的机车牵引电机轴承故障诊断仿真研究

轴承是牵引电机重要的传动部件,其性能直接影响机车的运行状态,机车运用时间过长,运行环境恶劣往往导致轴承不同程度的磨损、烧结,为降低牵引电机轴承故障率和机车维护成本,方便获取牵引电机轴承运用信息,本文提出基于小波去噪提取轴承特征的分析方法,利用LabVIEW编译软件对采集到的仿真试验台轴承振动信号进行小波包去噪处理,结合Hilbert包络分析提取去噪后信号的故障特征频率进行故障识别,为机车牵引电机故障诊断提供理论依据。     

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。     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。     

前方车辆驾驶行为的识别方法研究

为了降低前方车辆驾驶行为的随机变化对自身车辆安全的影响,提出了一种基于隐马尔科夫模型（Hidden Markov Model,HMM）的前方车辆驾驶行为的识别方法。首先,分析了高速公路场景中车辆的换道特性,选取前方车辆的纵向速度、横向位移和横向速度作为特征参数;采用线性均值滤波的方法对原始观测数据进行平滑滤波处理。其次,基于Baum-Welch算法训练得到前方车辆三种驾驶行为的最优隐马尔科夫模型,基于Viterbi算法识别出前方车辆的驾驶行为。最后,测试结果表明隐马尔科夫模型可以有效地识别出前方车辆的驾驶行为。     

基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架.首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别.结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率.     

基于DD-HSMM的设备运行状态识别与故障预测方法

针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型。该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性。基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程。同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。     

基于EMD-HMM的转盘轴承故障诊断方法

针对转盘轴承故障振动信号非线性、非平稳性的特点,提出了一种将经验模态分解与隐马尔可夫模型相结合的故障诊断方法。首先对故障信号进行经验模态分解,提取固有模态函数的能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;最后,以最大似然概率所对应的故障状态作为诊断结果。试验表明:该方法能够有效、准确地识别转盘轴承的故障类型,但训练样本数及故障类型数对HMM的诊断精度都有一定的影响。     

Hilbert-Huang变换在机车滚动轴承故障诊断中的应用

针对铁路机车所使用的滚动轴承的典型故障,基于HHT方法及LabVIEW软件,开发了一套机车滚动轴承故障诊断平台,采用NI的多通道数据采集设备PXIe完成了对机车滚动轴承振动信息的采集、故障特征信息的提取和分析,有效地识别出机车滚动轴承的工作状态和故障类型.由实验结果可知,经HHT分析外圈故障数据得到的故障频率与理论计算值相符,是一种滚动轴承故障诊断的有效方法.     

基于耦合隐马尔可夫的轴承故障诊断方法

针对轴承故障信号比较微弱的特点,提出了一种基于耦合隐马尔可夫模型(coupled hidden Markov model,简称CHMM)的轴承故障诊断方法。首先,根据轴承传动结构特点,设计能够监测轴承振动状态的传感器网络;其次,通过非线性特征提取方法获取能够反映轴承健康状态的少数关键特征,利用传感信号的矢量量化代替提取其频域微弱特征的方法,可有效提高故障诊断效率和准确率;然后,在多通道信息融合中引入隐马尔可夫模型,采用左右型齐次隐马尔可夫链实现故障诊断;最后,通过对各种轴承故障状态构建其对应的耦合隐马尔可夫模型的方式,实现对轴承故障类型的辨识。试验结果表明,该方法能够有效地实现对轴承故障类型的识别。