基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究

提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。     

基于ABC-BW优化CHMM的风机齿轮箱故障诊断

提出一种将人工蜂群算法(Artificial Bee Colony Algorithm,ABC)与Baum-Welch算法结合的连续隐马尔科夫模型(Continuous Hidden Markov Model,CHMM)并将其应用于风力发电机齿轮箱故障诊断.首先利用小波包分解与重构提取信号频带能量作为特征向量;将正常及...     

基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断

摘要：提出一种从信号时频域提取故障特征的新方法,先将振动信号作Morlet小波变换,再将小波系数顺序划分成多个子列,各子列协方差矩阵的特征值为所需的特征参数。为了更有效地提取信号的振动特性及周期性成分,使用了最小香农熵准则和奇异值分解技术选择Morlet小波参数,并用比较实验证明了参数优化的有效性。状态辨识使用了连续型隐马尔可夫模型,在三种故障程度下分别实现了轴承正常状态,滚动体故障,内圈和外圈故障的正确辨识,平均精度都大于93%。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

基于改进形态分量分析的齿轮箱轴承多故障诊断研究

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明：该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。     

合金棒材轧机齿轮箱的振动研究

宝钢股份特钢分公司合金棒材生产线在节能轧制过程中（低于正常轧制温度80~150℃）,因H5轧机齿轮箱出现异常振动而影响降温轧制工艺的实施。本文通过对H5轧机齿轮箱振动特性的实测诊断,结合有限元计算分析确定了齿轮箱发生异常振动的原因,并提出通过齿轮箱箱体加筋提高刚度以抑制其振动的措施。现场使用表明,H5轧机齿轮箱箱体加筋后,其异常振动得到有效抑制,确保了该节能降耗轧制工艺的实现。     

基于Hilbert边际谱与随机-模糊统计原理的梁桥损伤识别试验研究

HHT是一种新的适用于非线性、非平稳信号且具有自适应性的数据处理方法,而桥梁试验模型空间变异的模糊性和测量过程中荷载激励的随机性,使得Hilbert边际谱能量比同时具有随机不确定性和模糊不确定性,适用于被随机-模糊统计原理处理,提出了基于Hilbert边际谱与随机-模糊统计原理的结构损伤识别方法,并将四个Hilbert边际谱能量指标应用到室内两跨连续梁模型桥的损伤识别中。结果表明：主梁损伤前后四种能量指标都发生了变化,但是能量累积变异指标和能量变异最值指标能准确指示出损伤位置和程度,比能量比偏差和能量比方差对于结构损伤更加敏感,更适用于桥梁实时在线的预测预警系统。     

基于ARX模型的齿轮箱建模方法

齿轮箱是一个结构复杂的系统,输入输出的影响因素众多,于是单输入单输出的系统传递特性必然无法准确地反映实际工况中齿轮箱的运行特征,针对此问题本文提出了基于ARX模型的齿轮箱多输入多输出建模方法,并使用两个输入信号（输入轴扭矩和转速信号）及三个输出信号（输出轴扭矩、转速信号和箱体上采集的振动加速度信号）,将齿轮箱建模为一个二输入三输出的系统。实验结果显示：ARX模型从系统固有特性的角度来分析齿轮箱的状态,可以有效区分不同的故障状态。     

基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

基于EMD和VARMA模型的结构损伤识别

提出了基于EMD和VARMA模型的结构损伤识别方法。该方法首先将结构反应信号用EMD方法分解成一系列固有模态函数,然后将固有模态函数表示为时变VARMA模型并用Kalman滤波方法估计时变VARMA参数,最后根据时变VARMA参数定义一个新的损伤指标用于结构损伤识别。为检验该指标的实际性能,算例中选用ImperialCounty Services Building和Van Nuys Hotel作为基准结构。通过其实测地震反应记录的分析表明:该指标在实际的量测环境和噪声条件下具有较好的敏感性和抗噪能力,可有效地识别结构多处损伤的发生过程和严重程度;由于该指标定义在反应信号特征提取的基础上,无需其他额外的信息,它可同时用于结构整体和局部两个层次损伤的识别;同时,该指标还适于实时(在线)的结构损伤识别或健康监测,因其直接由时变VARMA参数推导得出。最后,对后续研究工作进行了展望。     

基于Gabor脸和隐马尔可夫模型的人像识别算法

提出了基于Gabor小波变换和隐马尔可夫模型的人像识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,采用主元分析法对每个结点进行降维,最后形成Gabor脸。把Gabor脸的每个特征结作为观测向量,对隐马尔可夫模型进行了训练,并把优化的模型参数用于人脸识别。实验结果表明,本文方法识别率高,复杂度较低,对部分遮挡的图像具有较大的容忍度。     

Degradation modeling and classification of mixed populations using segmental continuous hidden Markov models

With the market demands, the classification for highly reliable products becomes more and more significant. The degradation data can provide information about the degradation states and can be used to classify products to various classes according to the reliability attribute. In this paper, a temporal probabilistic approach, named segmental continuous hidden Markov model (SCHMM), is proposed to tackle the problem of degradation modeling and classification for mixed populations. Separate SCHMMs are built for each class of the mixed populations. The SCHMMs can directly depict the correspondence between actual degradation and the hidden states. A novel method called self‐training algorithm for the preprocessing of the original data from the mixed populations is proposed. Furthermore, the unknown parameters of the SCHMMs are estimated by the maximum likelihood method with the complete degradation data. The root mean square error of the estimated degradation value compared with the actual physical degradation value, as well as Akaike information criterion and Bayesian information criterion, is used for the evolution of the fitting accuracy and the selection of model topologies and discretization methods. Then the maximum posterior probability‐based classification criteria are developed. Degradation tests are designed for the data collection. To obtain the optimal classification policies, a cost function that consists of the degradation test cost and misclassification cost is constructed. A numerical example is used to illustrate the proposed method and demonstrate its advantages by comparing with other classification methods.     

小波包变换和隐马尔可夫模型在轴承性能退化评估中的应用

轴承是旋转机械中的关键部件,有效地对其进行性能退化评估对指导设备维护、防止设备意外失效有非常重要的意义。本文提出了一种基于小波包变换和隐马尔可夫模型（HMM）的轴承性能退化评估方法。该方法使用小波包变换对轴承振动信号进行分析,并提取节点能量及其总能量作为特征,仅使用正常状态下的数据训练HMM,建立性能退化评估模型,然后使用该模型对轴承的退化程度进行定量评估。最后,通过对轴承加速疲劳寿命试验的研究,验证了所提出的方法的可行性和有效性。     

基于骨导麦克风数据的咀嚼发音类型自动识别与分类方法

口腔运动与人们的饮食规律息息相关,该文通过对口腔运动状态的分析识别来监测人们的饮食规律,以此来指导人们的饮食习惯。借助语音识别技术的思想和方法,分析识别口腔运动产生的骨导音,为提升识别效率,采用了传统的隐马尔可夫模型。基于隐马尔可夫模型建立了一套骨导音识别系统,在进行骨导音识别之前,通过分帧加窗、提取梅尔频率倒谱系数,对其进行模型训练;在识别过程中,找出与待测音频信号和模板库中匹配度最高的模型,以其模型输出结果作为最后的识别结果。该方法的识别结果可以达到 84%,实验结果表明该方法具有一定的可行性。     

基于性能衰退评估的轴承寿命状态识别方法研究

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络...     

无端点检测汉语识别算法的实现及改进——动态时间规整和隐马尔可夫统一模型的应用

语音识别算法中，动态时间规整（ＤＴＷ）和隐马尔可规模（ＨＭＭ）是最有效的识别算法并且两者之间有着本质的联系和内在的统一，据此前期工作中，已经建立了ＤＴＷ和ＨＭＭ的统一模型（ＤＨＵＭ）。本文对ＤＨＵＭ进行了改进，在ＤＨＵＭ中引起寂静段自环，并根据汉语语音的特点，提出了一种无端点检测的语音识别算法，在识别过程中，该算法无需确定语音信号起止点位置，而是从寂静段开始，直接按帧提取特征（帧长２０ｍｓ，帧间重     

基于多输出支持向量回归机的有限元模型修正

为了克服神经网络以及单输出支持向量回归算法在有限元模型修正中的不足,提出了基于多输出支持向量回归算法的有限元模型修正方法。根据5-折交叉验证法选择支持向量回归机的参数,用均匀试验设计法构造样本,联合结构的动力和静力响应数据作为输入,多个设计参数作为输出,以支持向量回归机逼近输入输出二者之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,求解设计参数的目标值。空间网格结构数值模型的分析结果表明,该方法能同时修正多个设计参数,在少量样本的情况下具有较高的修正精度,为有限元模型修正提供了一种新的探索。     

无端点检测汉语识别算法的实现及改进——动态时间规整和隐马尔可夫统一模型的应用

语音识别算法中，动态时间规整（ＤＴＷ）和隐马尔可夫模型（ＨＭＭ）是最有效的识别算法，并且两者之间有着本质的联系和内在的统一［１］，据此前期工作中，已经建立了ＤＴＷ和ＨＭＭ的统一模型（ＤＨＵＭ）［２、３］。本文对ＤＨＵＭ进行了改进，在ＤＨＵＭ中引进寂静段自环，并根据汉语语音的特点，提出了一种无端点检测的语音识别算法。在识别过程中，该算法无需确定语音信号起止点位置，而是从寂静段开始，直接按帧提取特征（帧长２０ｍｓ，帧间重叠５０％），特征向量由１５阶倒谱系数和帧平均能量组成。实验中，用ＤＨＵＭ实现了该算法，对９９个相似汉语单字的识别测试结果表明：无端点检测的识别正识率为９４．９５％，正识率下降很少，但不作端点检测却降低了算法的复杂程度。为进一步改善识别性能，特征向量采用一种听觉模型特征，识别器具有更好的鲁棒性，识别率会略有提高。     

连续语音识别中基于Dropout修正线性深度置信网络的声学模型

大词汇量连续语音识别系统中,为了增强现有声学模型的表征能力、防止模型过拟合,提出一种基于遗失策略(Dropout)修正线性深度置信网络的声学模型构建方法。该方法使用修正线性函数代替传统Logistic函数进行深度置信网络训练,修正线性函数更接近生物神经网络的工作方式,增强了模型的表征能力;同时引入Dropout策略对修正线性深度置信网络进行调整,避免节点之间的协同作用,防止网络出现过拟合。文章利用公开语音数据集进行了实验,实验结果证明了所提出的声学模型构建方法相对于传统方法的优越性。