基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

基于AR-连续HMM的故障诊断模型及应用

在状态监测与故障诊断中,被测设备的状态一般不能直接观察到,要通过测量被测设备的表现来感知,这和隐马尔可夫模型(HMM)在本质是相通的。因此可以利用连续高斯密度混合HMM分析被测设备的振动信号,首先以AR模型系数为特征,研究不同状态数与不同混合高斯数对HMM模型分类的影响,再利用较优的状态数与混合高斯数HMM模型进行状态监测和故障诊断,诊断与对比实验结果表明该方法能利用少量样本进行训练和有效诊断。     

基于DHMM的滚动轴承故障诊断

针对传统神经网络模型训练时需求的样本量大、训练收敛速度慢、甚至不能完成训练的问题,提出一种具有良好分类能力的模式识别方法——离散隐马尔可夫模型(DHMM)。以滚动轴承为研究对象,对振动信号进行分帧处理,通过小波包分解方法得到其特征参数,再由主成分分析方法 (PCA)对特征参数进行降维优化,利用简化后特征参数矢量训练各轴承状态的DHMM,最后由训练好的DHMM实现滚动轴承运行状态监测与故障诊断。实验研究表明:该方法能够有效地实现滚动轴承的状态识别,并且需要的样本量少,训练速度快,对实现滚动轴承运行状态的智能化在线监测具有重要的意义。     

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型（cHMM）所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHMM,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。     

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.     

基于状态加权合成的HMM滚动轴承故障诊断

在故障诊断基本原理的理论基础上,使用具有良好识别和抗噪性能的连续高斯混合密度隐马尔可夫模型(CGHMM)进行建模,针对多样本观察值序列问题,详细地描述了一种新的算法状态加权合成的CGHMM训练算法,并将其应用于轴承故障诊断。试验结果表明,平均训练时间为12.859 s,诊断时间为0.189 s,诊断精度为96%。该方法确实有效可行,具有良好的应用前景。     

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。     

基于隐马尔可夫模型的汽轮机故障诊断方法研究

为提高汽轮机故障诊断的准确率,本文提出一种基于小波包能量与隐马尔可夫模型相结合的汽轮机故障诊断方法.对汽轮机振动信号进行小波包分解,将小波包能量作为特征集;分别对每种故障状态的样本训练HMM(Hidden Markov Model),并构建故障诊断知识库;最后利用训练好的HMM对待测样本进行故障诊断.通过对汽轮机常见故障的诊断分析表明,基于隐马尔可夫模型的故障诊断方法的准确率优于BP神经网络、SVM(Suppvrt Vectwr Machine)等方法.     

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。     

变转速变载荷下滚动轴承故障的小波-HMM诊断

常规的谱分析等方法难以对滚动轴承变转速变载荷工况进行故障诊断，为此，采用具有时频局域特征的小波分析法。对变转速变载荷工况下滚动轴承的振动信号。用小波包分解法提取各频带的能量作为特征参数。再采用连续隐Markov模型（HMM）对滚动轴承的状态进行识别。试验证明，小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。     

大型旋转机械升降速过程故障诊断HMM方法研究

由于大型旋转机械升降速过程产生振动的复杂多样性,对其进行监测能获得较平稳的运行及更多的机组状态信息,并能更早地获知机组运行状态。本文将隐Ｍ ａｒｋｏｖ 模型（Ｈｉｄｄｅｎ Ｍ ａｒｋｏｖ Ｍ ｏｄｅｌｓ,简称ＨＭＭ ）引入大型旋转机械升降速过程故障诊断的研究中,利用ＨＭＭ 刻划升降速过程中的振动变化特征。实验证明应用ＨＭＭ 能较好、较早地达到机组故障诊断目的。     

基于隐半马尔可夫模型设备退化状态识别方法研究

机械设备从正常到故障往往经历一系列退化状态,正确识别与估计设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。隐半马尔可夫模型(Hidden Semi-MarkovModels,HSMM)是隐马尔可夫模型(hidden Markov models,HMM)的一种扩展模型,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,比HMM具有更好的建模能力和分析能力。由状态识别和HMM本质上的相通性,将HSMM引入到机械设备的状态识别中,提出了一种基于HSMM状态识别方法,描述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过滚动轴承试验系统验证了方法的有效性。     

FAULT DIAGNOSIS APPROACH BASED ON HIDDEN MARKOV MODEL AND SUPPORT VECTOR MACHINE

Aiming at solving the problems of machine-learning in fault diagnosis, a diagnosis approach is proposed based on hidden Markov model (HMM) and support vector machine (SVM). HMM usually describes intra-class measure well and is good at dealing with continuous dynamic signals. SVM expresses inter-class difference effectively and has perfect classify ability. This approach is built on the merit of HMM and SVM. Then, the experiment is made in the transmission system of a helicopter. With the features extracted from vibration signals in gearbox, this HMM-SVM based diagnostic approach is trained and used to monitor and diagnose the gearbox's faults. The result shows that this method is better than HMM-based and SVM-based diagnosing methods in higher diagnostic accuracy with small training samples.     

DHMM＋SVM在切削颤振中的应用

根据切削颤振的特点,结合隐马尔可夫模型（Hidden Markov Model,HMM）和支持向量机（Support Vector Machine,SVM）的特点,提出了一种新的状态预测技术,同时也提出了一种新的特征提取方法。首先在等时间间隔内对切削信号实时进行小波包分解,然后通过SVM对各频带区间能量变化趋势进行回归预测,最后通过HMM对预测结果进行分类。结果表明,该方法取得了较好的预测结果。     

奇异点和隐马尔可夫模型融合的指纹分类

为了提高分类精度,提出一种基于奇异点和隐马尔可夫模型(HMM)融合的指纹分类方法.分别对基于奇异点的指纹分类方法和基于HMM的指纹分类方法的信任度函数进行分配,利用证据理论求得两种方法联合作用下的基本可信度分配值.最后,根据纹形模式判定规则.选择具有最大支持度的目标完成指纹纹型分类.利用提出的方法在国际指纹竞赛数据库上做了测试,总的纹型辨识平均正确率可达94.5%,识别结果优于奇异点分类方法和HMM分类方法,具有一定的实用价值.     

基于DSP的语音识别系统及其结构

介绍了一种基于TMS320C54xxDSP的语音识别系统及语音端点检测的过程,以及隐尔马柯夫模型（HMM）运用到语音识别的基本原理.最后介绍了TMS320C54xxDSP芯片的一些特点,同时也展现了语音识别技术在今后日常生活中的前景和用途.     

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。