基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速退化为核心的改进退化隐马尔可夫模型(DGHMM).首先,引入退化因子描述设备衰退过程,提出的似幂关系加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降.其次,以全局搜索能力相对较强的改进遗传算法代替常规EM算法进行参数估计,克服了EM算法易陷入局部最优的局限性.同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以近似算法与Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态路径,对设备剩余寿命进行预测.最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价.结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确率方面更加有效,在剩余寿命预测上亦为可行.     

基于Erlang-HSMM的设备剩余寿命预测研究

对于关键复杂设备进行健康诊断和设备剩余寿命预测,提出了一种基于爱尔朗分布和隐半马尔可夫模型的联合剩余寿命预测模型(Erlang-HSMM,E-HSMM)。首先,提出了改进的前后向算法、维特比算法和BaumWelch算法,有效地降低了模型的计算复杂度;其次,基于爱尔朗分布改进设备的健康状态逗留时间,将状态逗留时间分为已遍历和未遍历两个部分,提出新的健康状态逗留时间的概率分布;最后,针对状态监测数据,利用失效率理论构建设备剩余寿命预测模型。通过美国Caterpillar公司液压泵的状态监测实际数据进行评价与验证,实验结果表明,E-HSMM模型对设备的状态诊断和剩余寿命预测更加符合实际状况,比传统的隐半马尔可夫模型(HSMM)更有效。     

基于HMM的设备剩余寿命预测框架及其实现

在设备退化状态识别中剩余寿命预测是设备实施状态维修的一个重要内容,也是实现真正意义上精确维修的前提和基础。隐马尔可夫模型作为一种统计分析算法,具有较强的模式分类能力,能够对设备退化过程进行有效识别。但是传统隐马尔可夫模型状态持续时间分布的不合理性,不能直接用于剩余寿命的预测。考虑状态识别和剩余寿命预测的连续性,应用隐马尔可夫模型的改进算法——隐半马尔可夫模型,构建设备剩余寿命的预测框架,实现了在设备退化状态识别基础上的剩余寿命预测。通过对滚动轴承实测数据的仿真试验,对框架进行了仿真验证。仿真结果表明框架能够有效识别设备退化过程和实现剩余寿命的预测。     

基于马尔可夫过程的健康状态评估模型

故障预测与健康管理（PHM）的思想是通过状态监测和诊断技术获取装备状态和故障信息,预测其故障发展趋势,采取更有针对性的维修措施,从而大大提高装备维修管理的精确化。对装备系统的健康状态进行评估是实施PHM的基础,研究了基于马尔可夫过程的健康评估问题,运用马尔可夫模型方法,将部件系统退化过程描述为有限状态转移过程,建立了基于马尔可夫的健康状态评估模型,对PHM系统进行评估并对剩余寿命进行预测,最后进行了案例分析,验证了模型的可行性。     

基于无监督学习的语音签到系统

针对语音签到系统在实际运用中识别率较低的问题,从提高对标签缺失数据的利用角度出发,提出一种利用无监督学习来提高识别率的方法。该方法基于深度置信网络隐马尔可夫混合模型(DBN-HMM),利用受限波尔茨曼机(RBM)为无监督学习提取特征参数,接着利用深度置信网络(DBN)得到对原始数据的观测概率。隐马尔可夫(HMM)据此通过前向算法求出数据的似然概率,并将概率值最大的类别作为识别结果。实验表明,使用DBN-HMM模型可以有效利用存在标签缺失的数据,提高语音签到系统的识别能力。     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

航空发动机状态监控和预测性维护应用研究

为了深化飞参数据的应用价值,通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等,为发动机保障决策和预测性维护提供参考。采用经验模态分解(EMD)结合相对向量机(RVM)、灰度模型(GM)用于发动机转动件、气路监测的状态监控和故障预测,选取波音某型飞机故障数据验证了模型的准确性,平均绝对百分比误差(MAPE)能达到8.46%;采用卡尔曼滤波(KF)结合梯度提升决策树(GBDT)的方法对数据进行降噪并预测剩余寿命,通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率;采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型,经过大量QAR数据验证和测试,预测相对误差为0.43%。针对基于数据挖掘的航空发动机故障诊断算法开展研究,设计了相应的算法,开展了实验验证,通过有效的数据预处理和模型参数调节,使得故障诊断性能达到较高水准,为航空发动机的预测性维护提供了重要参考。     

基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法研究

航空发动机是飞行器的核心动力系统,工作环境恶劣,对其进行状态监测和寿命预测是保障飞行器安全可靠运行的重要技术手段。本文研究一种基于堆叠稀疏自编码神经网络的航空发动机剩余寿命预测方法,首先将多个自编码网络连接构成深度堆叠自编码网络,选取发动机的状态数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发动机退化的堆叠自编码学习模型。通过采用BP神经网络对发动机剩余寿命区间进行分类,作为发动机剩余寿命预测的结果。通过使用PHM2008挑战赛中发动机退化数据对本文研究方法进行了验证,结果验证了堆叠自编码网络深度学习方法对航空发动机剩余寿命预测的有效性。     

基于深度时序特征迁移的轴承剩余寿命预测方法

不同工况下轴承退化数据分布不一致导致深度学习等方法对剩余寿命预测效果有限,而已有迁移学习预测方法未能充分挖掘不同工况退化序列的内在趋势性,为此,提出一种基于深度时序特征迁移的轴承剩余寿命预测方法.首先,提出一种深度时序特征融合的健康指标构建模型,利用时间卷积网络挖掘退化趋势的内在时序特征,得到源域多轴承的健康指标;然后,提出一种最小化序列相似度的领域自适应算法,利用源域健康指标作为退化趋势元信息,选取目标域与源域之间的公共敏感特征;最后,采用支持向量机构建预测模型.在IEEE PHM Challenge 2012 轴承全寿命数据集上进行实验,结果表明,所提出方法构建的健康指标可更有效地反映退化趋势,同时明显提升剩余寿命预测的准确度.     

基于间接健康指标与回声状态网络的航空锂电池剩余使用寿命预测

航空锂电池是飞机的重要组成部分,对其进行剩余使用寿命(RUL)预测至关重要。目前,一般采用锂电池容量作为RUL指标,但在飞机实际运行中,锂电池容量难以准确测量,同时面临长期寿命预测精度的问题。因此,提出一种基于间接健康指标和回声状态网络(ESN)的锂电池RUL预测方法,基于一阶偏相关系数分析方法提取最能代表电池寿命的间接健康指标来代替容量指标,建立间接健康指标预测模型。同时基于深度学习中的ESN,结合粒子群优化算法(PSO)对网络参数进行优化,建立退化预测模型,实现锂电池RUL预测,解决长期预测精度问题。使用NASA电池数据进行实验验证说明,该方法相较于其他方法具有更高的精度、稳定性以及良好的泛化能力。     

基于DBN-HMM的人体动作识别

动作识别使得机器能够对人体动作的意图进行判别理解，进而实现高效的人机交互。提出一种肢体角度模型，实现在三维空间中对人体动作进行表示，该模型具有一定的不变性，计算复杂度低。针对传统的基于混合高斯的隐马尔可夫模型（GMM-HMM）的动作识别，提出深度置信网络模型（DBN）和隐马尔可夫模型相结合的动作识别模型，构建了一种非线性的基于条件限制玻尔兹曼机（CRBM）的DBN深度学习模型，深层次结构使其建模能力更强，且能够结合历史信息建模，更适用于动作识别。实验表明该算法具有较高的识别结果。     

基于滑动窗口和动态规划的连续动作分割与识别

针对现有动作识别中对连续动作识别研究较少且单一算法对连续动作识别效果较差的问题，提出在单个动作建模的基础上，采用滑动窗口法和动态规划法结合，实现连续动作的分割与识别。首先，采用深度置信网络和隐马尔可夫结合的模型DBN-HMM对单个动作建模；其次，运用所训练动作模型的对数似然值和滑动窗口法对连续动作进行评分估计，实现初始分割点的检测；然后，采用动态规划对分割点位置进行优化并对单个动作进行识别。在公开动作数据库MSR Action3D上进行连续动作分割与识别测试，结果表明基于滑动窗口的动态规划能够优化分割点的选取，进而提高识别精度，能够用于连续动作识别。     

汉语连续语音中HMM模型状态数优化方法研究

为了优化汉语连续语音中HMM模型系统以提高识别性能,提出了分别为每个声母和韵母半音节声学模型选择最优的状态数的方法。通过综合考虑每个声母和韵母半音节声学模型在不同状态数下的段长均值、方差以及各自识别率这三者信息,作为进行最优模型状态数的选择准则。优化后的声学模型系统由状态数各不相同的声母半音节声学模型组成,同未优化前状态数统一的模型系统相比,音节识别性能提高了5.07个百分点。研究表明,每个声母和韵母半音节志学模型应根据情况选择不同的状态数,优化后的模型系统识别性能得到了提高。     

HMM machine learning and inference for Activities of Daily Living recognition

In a human-centric smart space, Activities of Daily Living (ADL) analysis can provide very useful information for elder care and long-term care services. ADL is defined as an assessment of a person’s functional status. Many recent researches concentrate on designing a good Context Aware Computing System to automate the actions necessarily triggered by ADL recognitions. Implementing a correct ADL recognition engine is a hard work, but will repay the system with lower inference errors and higher system dependability. A good ADL recognition engine is required to adjust its inference strategy based on the learning capability in order to avoid a high error rate, especially in real world inputs with a significant difference as compared to those in the training phase. In this paper, we proposed a powerful inference engine based on the Hidden Markov Model, called the Adaptive Learning Hidden Markov Model (ALHMM), which combines the Viterbi and Baum–Welch algorithms to enhance the accuracy and learning capability. The assessments of ALHMM are conducted on the Python platform and show the practical feasibility of Activity Recognition in residential homes. Such a technique can provide the key answer required for advancing the state-of-the-art in context-aware computing and applications in real life.     

隐马尔可夫模型及其最新应用与发展①

隐马尔可夫模型是序列数据处理和统计学习的一种重要概率模型,已被成功应用于许多工程任务中。首先介绍了隐马尔可夫模型的基本原理,接着综述了其在人的行为分析、网络安全和信息抽取中的最新应用。最后对最近提出来的无限状态隐马尔可夫模型的原理及最新发展进行了总结。     

隐马尔可夫模型及其最新应用与发展①

隐马尔可夫模型是序列数据处理和统计学习的一种重要概率模型,已被成功应用于许多工程任务中。首先介绍了隐马尔可夫模型的基本原理,接着综述了其在人的行为分析、网络安全和信息抽取中的最新应用。最后对最近提出来的无限状态隐马尔可夫模型的原理及最新发展进行了总结。     

A Dynamic Gesture and Posture Recognition System

This paper presents a real time dynamic hand gesture and posture recognition system based on a neural network and a Hidden Markov Model. For skin color segmentation an adaptive online trained skin color model is used, while the hand posture recognition is accomplished through a likelihood-based classification technique of geometric features. A novel trajectory smoothing technique based on Self Organized Neural Network is introduced to improve HMM classification performance of dynamic gestures. The aim of the proposed system is the creation of a visual dictionary combining hand postures and dynamic gestures. The system has been successfully tested with many people under varying light conditions and different web cameras.     

Human home daily living activities recognition based on a LabVIEW implemented hidden Markov model

The recognition of human daily living activities within a house represents an efficient tool to model its power consumption and is also a good indicator for monitoring the health status of the inhabitants. The problematic of activities recognition in smart homes has been extensively addressed in several studies. In this paper, we present an original interactive tool developed under LabVIEW environment with a graphical user interface allowing the modeling of the daily living activities, based on a machine learning Hidden Markov Model. After an overview of the advantage for the consideration of this model in current human activities, we examine how the associated scientific problematic can find an interest and a solution by the integration of machine learning tools. Thus, the application based on a Hidden Markov model approach, is presented and evaluated using two sets of experimental data from literature. Comparing with results obtained by other daily living activities recognition methods, we point out the very satisfactory recognition performance of the Hidden Markov Model and the likelihood of our development associated to a user-friendly graphical interface. This work opens the way to applications dedicated to the supervision of human daily living activities and / or to the management of the electrical consumption within a smart home equipped with non-intrusive sensors.