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。     

矢谱和HMM理论在风机故障诊断中的应用

传统风机用单一传感器进行故障的特征提取,不能有效地反映其状态.然而,矢谱技术融合了多通道信息,其反应的信息更全面,结合隐马尔可夫模型(HMM)能够对一个时间跨度上的信息进行统计建模和分类的特点,提出了一种新的诊断方法;并在Matlab 的环境下给出了诊断的实例,表明该方法可以有效地应用于风机的诊断中.     

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.     

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。     

基于鲁棒H2滤波的机电BIT虚警抑制方法

针对基于模型的机电控制系统BIT(built-in test, 机内测试)中的虚警问题,分析系统中的信息不确定性和产生虚警的机理;基于鲁棒H2滤波方法设计BIT故障检测诊断系统,该系统对信息不确定性具有较强的鲁棒性,能够充分地抑制虚警.在某机电跟踪与稳定伺服平台BIT系统上进行仿真研究,结果表明机理分析正确,所提方法有效.     

基于HMM-SVM的故障诊断模型及应用

针对直升机减速器故障诊断中机器学习方法存在的问题，根据隐马尔可夫模型（HMM）适合于处理连续动态信号与支持向量机（SVM）适合于模式分类的长处，提出了基于HMMSVM串联结构的故障诊断模型。通过从减速箱振动信号中有效提取AR特征，利用HMM汁算未知信号与减速器各状态的匹配程度，形成特征向量提供给SVM最后判别，实验结果表明该方法优于单纯的HMM或SVM诊断方法，能利用少量训练样本有效地完成直升机减速器的故障诊断。     

机内测试虚警原因的分析及其解决方案

按照机内测试（BIT）的设计、生产、运行和维修这个设备寿命周期的时间历程，对BIT各个阶段的虚警原因进行了总结，并针对BIT各阶段的虚警原因，从BIT设计、BIT硬件、BIT软件、管理与人和环境因素等五个方面提出了一个较为系统和完整的BIT虚警问题解决方案，这为武器装备的测试和维修的深入研究打下了基地，对BIT的广泛应用具有指导意义。     

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FRWT的模拟电路早期故障诊断

针对模拟电路早期故障诊断的难题,基于分数阶小波转换(fractional wavelet trarsform,FRWT)并结合隐马尔科夫模型(hidden Markov model,HMM),提出了一种模拟电路故障特征分析的新方法。首先将无故障状态和各故障状态下模拟待测试电路(circuit under test,CUT)的响应序列进行分数阶小波分解得到子带响应序列,然后从子带响应序列提取出故障特征向量并构成观测序列训练出HMM,最后利用训练好的HMM对未知状态电路进行诊断。实验结果表明,该方法能有效提取模拟电路的故障特征,完成模拟电路早期故障检测和故障定位。     

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.     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

基于模糊分类的流体管道泄漏故障智能检测方法研究

本文针对基于负压波法管道泄漏实时检测系统误报高和灵敏度低的问题提出一种流体管道泄漏故障智能检测方法,该方法首先给出管道运行参数的确定模型,然后结合模糊算子给出流体管道状态模糊模型,进而利用该模型实现管道故障分类.以这种智能检测方法为核心设计流体管道故泄漏故障智能诊断系统(leak intelligent diagnosis system for fluid pipeline,LIDSFP),通过对某成品油管道实例仿真和在流体管道测试系统上的试验研究,给出了LIDSFP性能指标,进一步分析表明该系统可以有效完成流体管道的泄漏故障诊断.     

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位，对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(Hidden Markov Model，HMM)本质上的相通性，利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号，先以基于短时傅里叶变换的倒谱系数为特征训练模型，再利用模型进行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，且具有训练时间短、诊断速度快的优点。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时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;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

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。     

非可靠性测试条件下复杂系统多故障定位方法

针对复杂系统多故障并存且实际测试中存在误警和漏检等特点,提出非可靠性测试条件下多故障定位问题的解决方法。以寻找后验概率最大的故障假设为目标,引入贝叶斯理论并结合系统的检测、误警相关矩阵,将原问题转化为一个组合最优化问题。采用改进的偏转次梯度优化算法（modified reflection subgradient optimization algorithm,简称MRSOA）求解优化问题的拉格朗日对偶,获得故障定位结果。对某型雷达发射机在非可靠性测试情况下的多故障定位结果表明,该方法具有较高的定位效率和定位准确度。