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。     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于HMM校正与神经网络延拓的EMD端点效应抑制方法

针对神经网络延拓方法在抑制经验模态分解的端点效应时存在的延拓数据与真实数据往往存在误差的问题,提出了一种基于HMM校正的方法来减小预测延拓数据误差。首先利用径向基函数(RBF)神经网络预测估计方法对部分原始数据进行估计,同时对端点外数据进行预测。然后计算该方法估计的数据与真实数据的误差序列,再用HMM方法建立估计误差序列模型,用以预测延拓后数据的误差。最后用RBF神经网络延拓数据减去HMM预测的误差数据得到新的校正后延拓数据。仿真与实验证明了将HMM预测方法与RBF神经网络数据延拓结合应用到解决端点效应的过程中所得到的延拓数据更接近真实数据,能够更好地解决端点效应问题,提高了经验模态分解精度。     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

立铣加工动态切削力预测新方法及应用

通过切削力物理建模、仿真和应用研究来准确地预测切削力,是进行工艺优化的必要前提.动态切削力的预测对于研究切削机理和加工质量的控制都很重要.提出了一种新的螺旋立铣刀加工中动态切削力建模方法,通过微元法建立的切削力数学模型和斜角等厚度切削有限元模型两者结合,对高速铣削淬硬模具钢SKD11的动态切削力进行预测,并且对误差来源进行了分析.本建模方法通过建立单刃切削力数学模型,然后结合有限元分析得到单刃切削力曲线,经离散数据叠加后得到加工过程的动态铣削力曲线.此方法可避免传统建模中需要大量试验求取多个系数且预测精度差的特点.最后通过分析影响结果的主要因素及参数调节方法,保证了预测精度.     

基于真实刀刃轨迹的立铣刀切削厚度模型

瞬时切削厚度是铣削加工建模研究的重要参数之一。通过分析刀刃切削轨迹,可以得到准确的瞬时切削厚度,但需要求解复杂的超越方程。通常对切削刀刃轨迹进行不同程度的简化来求解近似的瞬时切削厚度。为得到准确的瞬时切削厚度,提出一种新的切削厚度计算模型。基于立铣刀真实切削刀刃轨迹,对近似的切削厚度模型进行补偿,得到较传统计算方法更为准确的结果,计算过程也更为简单。通过切削力试验验证,该模型可以得到更好的动态切削力预测结果。     

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QPSO⁃HMM的滚动轴承故障程度辨识

综合量子粒子群优化算法（quantum particle swarm optimization,简称QPSO）的全局搜索能力与隐马尔科夫模型（hidden Markov model,简称HMM）良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。     

大型旋转机械状态组合预示模型研究

大型旋转机械的状态预示技术是实现设备状态维护的关键,针对大型旋转机械的几种典型趋势,提出支持向量机(support vector machines,SVM)进行系统故障趋势预示的模型,采用BP(back propagation)神经网络模型和SVM模型对不同的趋势进行预测,结果表明SVM模型具有预测精度高的特点.在以上研究的基础上,提出一种新的旋转机械系统状态组合预测模型.该模型采用振动烈度和特征频率分量作为预测机械系统状态的敏感因子,采用从时域到频域、频域到时域,构建旋转机械状态预测的组合模型.将基于SVM的组合预测模型应用于旋转注水机组的状态预测,取得较好的预测效果.     

基于修正滑移线场模型的倒棱刀具切削力预测

基于材料塑性滑移理论与刀具刃前材料流动状态分析,提出了一种考虑倒棱刀具负前角切削过程下的材料滞流区（死区）和预剪区的修正滑移线场模型,并给出了材料流动剪切应力和刃前切削几何参数的迭代求解方法,揭示了倒棱刃口几何形状与滑移线场几何参数之间的变化规律。将此模型应用于倒棱刀具切削过程,得到了适用于倒棱刀具正交切削力的预测方法。采用有限元仿真和切削试验相结合的方法对所提出的滑移线场模型和切削力预测方法分别进行了验证,模型预测结果与仿真结果和试验测量结果对比误差均在10%以内。研究结果为研究倒棱几何形状对工件材料流动特性和刀具切削性能的影响提供了参考。     

GRINDING WHEEL CONDITION MONITORING WITH HIDDEN MARKOV MODEL-BASED CLUSTERING METHODS

Hidden Markov model (HMM) is well known for sequence modeling and has been used for condition monitoring. However, HMM-based clustering methods are developed only recently. This article proposes a HMM-based clustering method for monitoring the condition of grinding wheel used in grinding operations. The proposed method first extract features from signals based on discrete wavelet decomposition using a moving window approach. It then generates a distance (dissimilarity) matrix using HMM. Based on this distance matrix several hierarchical and partitioning-based clustering algorithms are applied to obtain clustering results. The proposed methodology was tested with feature sequences extracted from acoustic emission signals. The results show that clustering accuracy is dependent upon cutting condition. Higher material removal rate seems to produce more discriminatory signals/features than lower material removal rate. The effect of window size, wavelet decomposition level, wavelet basis, clustering algorithm, and data normalization were also studied.     

GRINDING WHEEL CONDITION MONITORING WITH HIDDEN MARKOV MODEL-BASED CLUSTERING METHODS

Hidden Markov model (HMM) is well known for sequence modeling and has been used for condition monitoring. However, HMM-based clustering methods are developed only recently. This article proposes a HMM-based clustering method for monitoring the condition of grinding wheel used in grinding operations. The proposed method first extract features from signals based on discrete wavelet decomposition using a moving window approach. It then generates a distance (dissimilarity) matrix using HMM. Based on this distance matrix several hierarchical and partitioning-based clustering algorithms are applied to obtain clustering results. The proposed methodology was tested with feature sequences extracted from acoustic emission signals. The results show that clustering accuracy is dependent upon cutting condition. Higher material removal rate seems to produce more discriminatory signals/features than lower material removal rate. The effect of window size, wavelet decomposition level, wavelet basis, clustering algorithm, and data normalization were also studied.     

基于小波包能量谱的HMM钻头磨损监测

从工程应用的角度论述了小波包分解原理及其能量谱监测理论，并将该理论应用于钻削力信号特征提取中，针对钻削过程特征矢量与钻头磨损之间具有较强的随机性和不确定性的特点，提出一种基于隐马尔可夫模型（HMM）的钻头磨损监测方法。实验结果表明，通过对钻削力信号进行多层小波包分解，提取各频段能量谱作为特征矢量可准确刻画工艺系统随钻头磨损的演化规律，利用HMM建立的各钻头磨损状态小波包能量谱的统计模型可有效跟踪钻头磨损的发展趋势，实现钻头磨损状态和寿命的监测。     

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。     

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。     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

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.     

基于小波变换的隐Markov模型离心泵故障诊断方法研究

根据离心泵故障振动信号的特点,本文提出了一种结合小波变换与隐Markov模型(HMM)的离心泵故障诊断方法。小波变换具有多分辨率分析并且在时频两域都具有表征信号局部特征能力的特点,利用Daubechies小波对振动信号进行一维8尺度的小波分解,然后从中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM进行训练,其中输出概率最大的状态即是离心泵的运行状态,从而实现离心泵的故障诊断。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

Rolling element bearings multi-fault classification based on the wavelet denoising and support vector machine

Due to the importance of rolling bearings as one of the most widely used industrial machinery elements, development of proper monitoring and fault diagnosis procedure to prevent malfunctioning and failure of these elements during operation is necessary. For rolling bearing fault detection, it is expected that a desired time–frequency analysis method has good computational efficiency, and has good resolution in both, time and frequency domains. The point of interest of this investigation is the presence of an effective method for multi-fault diagnosis in such systems with optimizing signal decomposition levels by using wavelet analysis and support vector machine (SVM). The system that is under study is an electric motor which has two rolling bearings, one of them is next to the output shaft and the other one is next to the fan and for each of them there is one normal form and three false forms, which make 8 forms for study. The results that we achieved from wavelet analysis and SVM are fully in agreement with empirical result.