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。     

融合KPCA与隐马尔科夫模型的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,通过KPCA算法求出其对应的特征向量在特征空间的投影作为编码,采用HMM方法对虹膜码进行分类识别,并完成从粗到精的虹膜检测。实验结果表明,该算法识别错误率低,编码简单、编码时间短,适合安全性要求较高的场合,能更好地提高虹膜的识别率。     

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.     

基于隐马尔可夫模型的产品功能模块实例选取方法

为使产品概念设计达到最优化设计的目的,提出了一种基于隐马尔可夫模型的模块化产品功能模块的实例优化选取方法.通过定义产品功能模型的三种最基本构成方式,将产品功能模型转换成统一的串联功能模型形式.利用隐马尔可夫模型建模产品功能模块的实例选取过程,并借助模块实例的相关信息完成隐马尔可夫模型中各参数的实例化.最后,采用Viterbi算法实现模型的求解,找出一组使产品性能(可靠性)最优的功能模块实例组合,并通过实例验证了方法的有效性和合理性.     

奇异点和隐马尔可夫模型融合的指纹分类

为了提高分类精度,提出一种基于奇异点和隐马尔可夫模型(HMM)融合的指纹分类方法.分别对基于奇异点的指纹分类方法和基于HMM的指纹分类方法的信任度函数进行分配,利用证据理论求得两种方法联合作用下的基本可信度分配值.最后,根据纹形模式判定规则.选择具有最大支持度的目标完成指纹纹型分类.利用提出的方法在国际指纹竞赛数据库上做了测试,总的纹型辨识平均正确率可达94.5%,识别结果优于奇异点分类方法和HMM分类方法,具有一定的实用价值.     

基于希尔伯特-黄变换和隐马尔可夫模型的气液两相流流型识别方法

为了研究垂直上升管中的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法.该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别.实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径.     

基于时间应力及隐马尔可夫模型的焊点故障预测技术

焊点所承受的各种环境应力和工作应力的时间历程(时间应力)是其疲劳失效的直接外因.从时间应力导致焊点故障的机理入手,以焊点的三维有限元模型为基础,对焊点实时损伤的评估方法进行研究.通过建立焊点损伤及故障演化的隐马尔可夫模型,以实时损伤评估信息为基础,结合基于寿命消耗的故障预测方法,研究从时间应力测量的角度对焊点进行故障预测的详细技术流程和相关算法.最后以塑料四方扁平封装器件焊点为研究对象,对提出的焊点故障预测技术的有效性进行了试验验证和分析.     

基于多尺度隐马尔可夫模型的CR影像降噪方法研究

在CR成像过程中不可避免的要引入各种干扰和噪声,只有弄清干扰图像信息的各种噪声来源、特征及其与信号的相互关系,才能有效地将之消除.在分析CR成像系统的基础上,文章指出影响CR图像质量的噪声主要是固有噪声和X线量子噪声,在统计规律上它们分别服从高斯分布和泊松分布.本文针对CR的固有噪声从小波系数的统计规律出发,根据固有噪声的特点,结合混合高斯模型描述小波系数的统计特征,采用两个状态的隐马尔可夫模型描述小波系数在尺度之间的相关性和依赖性,用最大期望值( EM)算法估计隐马尔可夫模型在各个尺度上的参数,然后按照尺度大小逐级对小波系数进行维纳滤波,最后是小波逆变换恢复图像.文章最后还给出了实验结果,并与其它降噪算法进行了比较.     

基于隐马尔可夫模型的驾驶行为预测方法研究

根据驾驶行为受驾驶意图驱使,在时空上应先产生驾驶意图后有驾驶动作执行,再有具体的驾驶行为的时空顺序,利用意图到行为实现过程中的时间差,研究建立了基于多驾驶操作动作特征观测信息和隐马尔可夫模型的驾驶行为预测方法,实现了跑偏驾驶、一般转向和紧急转向3种驾驶行为的预测。从机动车安全预警的角度进行分析,预测出驾驶员的驾驶行为等同于获得驾驶员对车辆未来运行状态的需求,有助于及时纠正或干预驾驶员正在或即将实施的危险行为。     

基于隐马尔可夫的滚动轴承健康状态评价方法研究

滚动轴承是发电机内部最容易发生故障的部件之一,为了评价轴承的运行状态,保证发电机组的正常运行,提出了一种基于小波包-互补聚合经验模态分解(CEEMD)和变分贝叶斯-隐马尔可夫模型(HMM)的滚动轴承健康状态评价方法.首先,采用小波包-互补聚合经验模态分解对振动信号进行了降噪和特征提取,再将提取到的健康状态下的特征信号输...     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。     

空间信息与尺度信息相结合的虹膜识别算法

提出了一种空间信息与尺度信息相结合的虹膜识别算法.将二维小波变换与灰度共生矩阵相结合,由此提取的虹膜特征向量既反映了空间变化的特性也反映了尺度变化的特性.实验结果表明用该方法构造的虹膜识别算法,对比仅用小波变换的方法,可获得较高的识别率.     

一种基于小波变换的虹膜识别方法

虹膜上的纹理或结构的差异,是不同虹膜相互区别的最主要原因和体现.因此,要想获得很高的识别率,就必须运用虹膜图像的边缘信息.利用二维小波变换,构造出了一种新的虹膜识别方法.该方法的基本思想是对于小波多层分解的低频分量,用一种变形的互相关方法由粗到精地进行匹配,以筛选出少数匹配较好的虹膜图像;然后在第一级小波分解的边缘分量上提取图像边缘,并用一种新的基于边缘特征的距离量度对筛选出的虹膜图像进行最终识别.与国外的虹膜识别方法相比,该方法把全局特征与局部特征很好地结合起来,并且更为有效地利用了虹膜图像的边缘信息.     

基于AR的二维隐Markov模型离心泵故障诊断方法

离心泵速度变化过程的振动信号具有信息量大、非平稳、重复再现性不佳等特点, 二维隐Markov模型(2D-HMM )很适合处理此类信号.利用AR谱不受数据长度的限制,AR模型参数对状态变化规律反映敏感的特点,以振动信号做自回归变换后的AR谱系数作为特征向量,将基于AR的2D-HMM引入到离心泵故障诊断中, 提出了一种基于AR的2D-HMM故障诊断方法,并论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2BA-6A离心泵试验系统验证了方法的有效性.     

虹膜身份鉴别系统算法研究

在随机Hough变换的虹膜定位和方向小波多尺度极值点检测的鉴别算法基础上,研究了一种快速可靠的虹膜身份鉴别系统.实验结果证明了提出的定位、鉴别算法的优越性、合理性.     

基于隐马尔科夫模型的机床部件故障预警技术

针对目前高档数控机床的故障只能在发生后被动维修,不能在故障发生前维修故障。提出了基于经验模态分解方法(EMD)和隐马尔科夫模型(HMM)的数控机床关键部件在线故障预警模型。通过采集分析部件运行时的信号,通过EMD进行信号分析选取合适的分量然后提取特征向量,当数据库收集500组数据时对预警模型进行一次迭代训练,如此循环。最终形成一个能比较好的表达该部件完整特性的故障预警模型。模型训练完毕后,部件的实时信号通过特征向量形式输入故障预警模型中进行计算,通过计算概率来判断部件当前所处的状态,在故障发生前进行预警。     

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。     

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。     

基于时延相关解调-隐马尔科夫模型的故障诊断与模式识别研究

针对齿轮性能参数的退化特点,提出了一种时延相关解调(DCE)和隐马尔科夫模型(HMM)相结合的故障模式识别与分析方法。该方法对采集的振动信号进行自相关时延去噪,提取能量特征,分别使用正常状态、齿根裂纹和齿轮断齿的全过程数据训练HMM,建立性能评估模型,然后进行模式识别。最后,通过与标准HMM进行对比,验证了所提出的方法的可行性和有效性。