基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

基于自适应隐式半马尔可夫模型的设备健康诊断与寿命预测方法

针对设备健康诊断与寿命预测问题,提出一种基于自适应隐式半马尔可夫模型(AHSMM)结合多传感器信息的设备健康预测方法。提出了AHSMM的前向—后向算法、Viterbi算法和Baum-Welch算法,有效降低了模型的计算复杂性。利用最大似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练,处理多传感器信息间的差异性,进行有效的多传感器信息融合,以更加准确地进行设备健康诊断与寿命预测。利用失效率理论建立了对设备剩余使用寿命进行预测的基本步骤。通过美国卡特彼勒公司液压泵的状态识别和健康预测实际案例对所提出的方法进行评价与验证,实验结果表明,基于AHSMM的设备健康诊断和性能衰退预测方法比传统的隐式半马尔可夫模型(HSMM)更有效。     

基于状态的数控机床主轴可靠性评估

数控机床主轴的健康状态直接关系到加工产品的质量和企业的安全生产。根据数控机床主轴的状态监测数据,建立了一个基于多观测序列隐Markov模型的可靠性评估模型。该模型提出了Spearman权重分析方法,通过对多性能指标观测序列及设备健康状态的Spearman秩相关分析获得各性能指标的定量权重,体现了各性能指标在设备健康评价中的贡献。并利用矢量量化及加权分析将多性能观测序列转换为单观测序列,通过隐Markov模型获得设备状态变迁概率,从而实现对设备的可靠性评估。最后将上述模型应用于某型数控机床主轴的可靠性评估,模型评价结果与现场数据比较吻合,证明了该模型的有效性。     

基于隐Markov模型的重型数控机床健康状态评估

为了辅助重型数控机床的综合健康状态评估,从性能劣化角度出发,建立基于多性能参数多观测序列的隐Markov健康状态评估模型,改进了以往基于单性能参数的隐Markov模型不能准确描述机床健康状态的问题.针对隐Markov模型的参数初始化难题,通过K-means方法进行参数聚类分析,使初始化参数趋向于全局最优解;由于单性能参数不能完全描述机床状态的隐含信息,提出一种基于多性能参数多观测序列值的隐Markov模型训练算法.通过某重型数控机床滚珠丝杠的健康状态评估实例,获取了滚珠丝杠的健康状态变化趋势,验证了方法的可行性和有效性.     

矿渣粉磨健康状态识别模型及系统设计

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。     

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。     

刀具磨损监测及破损模式的识别

对于金属切削过程中的刀具磨损,提出了基于隐马尔可夫模型的模式识别理论来识别刀具的不同磨损状态,从而预报刀具破损.该方法对切削过程中切削力信号的动态分量和刀柄振动信号进行快速傅里叶变换特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到隐马尔可夫模型中进行机器学习,建立了3个不同磨损状态的隐马尔可夫模型,并利用最大概率进行模式识别.试验表明,该方法对车刀磨损过程进行识别和预报是有效的.     

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.     

Remaining Useful Life Model and Assessment of Mechanical Products: A Brief Review and a Note on the State Space Model Method

The remaining useful life(RUL) prediction of mechanical products has been widely studied for online system performance reliability, device remanufacturing, and product safety(safety awareness and safety improvement). These studies incorporated many di erent models, algorithms, and techniques for modeling and assessment. In this paper, methods of RUL assessment are summarized and expounded upon using two major methods: physics model based and data driven based methods. The advantages and disadvantages of each of these methods are deliberated and compared as well. Due to the intricacy of failure mechanism in system, and di culty in physics degradation observation, RUL assessment based on observations of performance variables turns into a science in evaluating the degradation. A modeling method from control systems, the state space model(SSM), as a first order hidden Markov, is presented. In the context of non-linear and non-Gaussian systems, the SSM methodology is capable of performing remaining life assessment by using Bayesian estimation(sequential Monte Carlo). Being e ective for non-linear and non-Gaussian dynamics, the methodology can perform the assessment recursively online for applications in CBM(condition based maintenance), PHM(prognostics and health management), remanufacturing, and system performance reliability. Finally, the discussion raises concerns regarding online sensing data for SSM modeling and assessment of RUL.     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

基于多智能体的舰船装备健康状态仿真评估方法

考虑到海况对舰船安全航行和任务执行有着重大影响,提出了一种基于多智能体技术的装备健康状态仿真评估方法。在分析舰船装备航行任务的基础上,建立了“任务-装备-维保-环境”装备健康状态模型,针对海洋环境因素对装备性能、维保能力的影响,制定了环境智能体的内部规则和通信机制,可实现不同海况条件下舰船装备的健康状态评估。以某舰船动力系统为例,分别在0级、5级和7级海况下对其巡航任务下的健康状态进行分析与评估,仿真结果表明：相比0级海况,动力系统在5级和7级海况下健康度和任务成功率均有所降低,量化评估结果与专家定性评估结果趋势一致。     

基于函数主元分析的多阶段退化过程建模与预测

退化过程建模与预测作为设备健康管理的基础,是降低运行风险和维护成本的有效途径。为解决实际中退化过程所表现出的随机性、非线性和多阶段复杂性,提出了一种基于函数主元分析的多阶段退化过程自适应建模与预测方法。通过将退化测量值视为连续函数的离散采样值,从而将退化建模问题转换为函数型数据分析问题。在此基础上,利用函数主元分析方法对退化数据进行降维,提取设备退化的共性信息以及个体差异性信息。结合贝叶斯推理,利用在线监测数据更新退化模型参数,实现健康状态的在线实时预测。最后,将所提的方法用于散热风扇的加速寿命试验数据,验证了本方法的有效性。结果表明,所提方法可以地很好建模多阶段的复杂随机退化过程,具有潜在的工程应用价值。     

基于故障案例学习的设备健康评价方法研究

从设备状态监测数据中分析、提取故障特征信息,准确、快速地识别设备健康状态,对于开展预测性维修,确保设备运行可靠性、安全性非常重要。以离心压缩机为研究对象,以正常状态的振动监测原始数据为参考数据,构建了正常状态原始信号和实时监测信号的相关性健康指数模型、相干性健康指数模型、谱距离健康指数模型,在针对健康指数模型开展大量故障案例学习、健康度分布统计分析基础上,制定了设备健康评级准则,形成数据驱动的机械设备健康评价方法,揭示了离心压缩机健康度表征与运行状态的映射关系。应用轴承试验数据和离心压缩机转子不平衡故障案例数据,分别验证构建的设备健康指数模型和健康评级准则的准确性、适用性。结果表明,构建的健康指数模型能较好地表征设备运行状态,与有效值和峰-峰值固定阈值报警方法相比,构建的机械设备健康评级准则对于指导预测性维修更有实践意义。     

A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction

Health monitoring and prognostics of equipment is a basic requirement for condition-based maintenance (CBM) in many application domains. This paper presents an age-dependent hidden semi-Markov model (HSMM) based prognosis method to predict equipment health. By using hazard function (h.f.), CBM is based on a failure rate which is a function of both the equipment age and the equipment conditions. The state values of the equipment condition considered in CBM, however, are limited to those stochastically increasing over time and those having non-decreasing effect on the hazard rate. The previous HSMM based prognosis algorithm assumed that the transition probabilities are only state-dependent, which means that the probability of making transition to a less healthy state does not increase with the age. In the proposed method, in order to characterize the deterioration of equipment, three types of aging factors that discount the probabilities of staying at current state while increasing the probabilities of transitions to less healthy states are integrated into the HSMM. With an iteration algorithm, the original transition matrix obtained from the HSMM can be renewed with aging factors. To predict the remaining useful life (RUL) of the equipment, hazard rate is introduced to combine with the health-state transition matrix. With the classification information obtained from the HSMM, which provides the current health state of the equipment, the new RUL computation algorithm could be applied for the equipment prognostics. The performances of the HSMMs with aging factors are compared by using historical data colleted from hydraulic pumps through a case study.     

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。     

Equipment health diagnosis and prognosis using hidden semi-Markov models

In this paper, the development of hidden semi-Markov models (HSMMs) for equipment health diagnosis and prognosis is presented. An HSMM is constructed by adding a temporal component into the well-defined hidden Markov model (HMM) structures. The HSMM methodology offers two significant advantages over the HMM methodology in equipment health diagnosis and prognosis: (1) it overcomes the modeling limitation of HMM due to the Markov property and therefore improves the power in diagnosis, and (2) it can be directly used for prognosis. The application of the HSMMs to equipment health diagnosis and prognosis is demonstrated with the fault classification application of UH-60A Blackhawk main transmission planetary carriers and prognosis of a hydraulic pump health monitoring application. The effectiveness of the HSMMs is compared with that of the HMMs. The results of the application testing have shown that the HSMMs are capable of identifying the faults under both test cell and on-aircraft conditions while the performance of the HMMs is not comparable with that of the HSMMs. Furthermore, the HSMM-based methodology can be used to estimate the remaining useful life of equipment.     

基于脆弱性的制造设备故障智能诊断与维护

制造设备故障智能诊断与维护是保障制造系统安全运行的重要手段。为准确地诊断制造设备的健康状态、识别设备故障的关键因素，建立高效的健康维护系统，提出了基于脆弱性的设备故障智能诊断与维护方法。该方法将考虑脆弱性的设备故障智能诊断与维修决策模块嵌入到设备的过程控制系统（Process control system，PCS）中，它基于系统脆弱性的定义和性能劣化理论建立了设备脆弱性评估模型实时判断设备的脆弱状态，利用非线性核映射方法实时监测制造设备的运行参数是否超出预设边界，建立设备参数的高斯核函数模型准确识别故障的关键因素，将设备的脆弱性状态与维护模式相结合建立维修决策模型避免维修过度和维修不足。以某机器人的伺服系统为例，证实了所提方法能有效提高故障诊断效率、智能化诊断故障因素，优化设备维修决策。