基于耦合隐马尔可夫的轴承故障诊断方法

针对轴承故障信号比较微弱的特点,提出了一种基于耦合隐马尔可夫模型(coupled hidden Markov model,简称CHMM)的轴承故障诊断方法。首先,根据轴承传动结构特点,设计能够监测轴承振动状态的传感器网络;其次,通过非线性特征提取方法获取能够反映轴承健康状态的少数关键特征,利用传感信号的矢量量化代替提取其频域微弱特征的方法,可有效提高故障诊断效率和准确率;然后,在多通道信息融合中引入隐马尔可夫模型,采用左右型齐次隐马尔可夫链实现故障诊断;最后,通过对各种轴承故障状态构建其对应的耦合隐马尔可夫模型的方式,实现对轴承故障类型的辨识。试验结果表明,该方法能够有效地实现对轴承故障类型的识别。     

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。     

基于隐马尔可夫模型的汽轮机故障诊断方法研究

为提高汽轮机故障诊断的准确率,本文提出一种基于小波包能量与隐马尔可夫模型相结合的汽轮机故障诊断方法.对汽轮机振动信号进行小波包分解,将小波包能量作为特征集;分别对每种故障状态的样本训练HMM(Hidden Markov Model),并构建故障诊断知识库;最后利用训练好的HMM对待测样本进行故障诊断.通过对汽轮机常见故障的诊断分析表明,基于隐马尔可夫模型的故障诊断方法的准确率优于BP神经网络、SVM(Suppvrt Vectwr Machine)等方法.     

基于隐马尔科夫模型的牵引座状态识别

牵引座是机车中连接车体和转向架的重要部件,承受并传递着机车的纵向力,因此牵引座的状态影响着机车的安全。针对牵引座正常、小裂纹故障及大裂纹故障这3种状态,提出了一种基于隐马尔科夫模型的状态识别方法:首先对机车牵引座运行的加速度信号进行特征提取,选取敏感的特征量组成隐马尔科夫模型的训练集与测试集;然后进行状态识别;最后以最大的似然概率对应的状态作为识别结果。结果表明,针对牵引座的3种不同状态,该方法的识别结果比K邻近算法有更高的识别率。     

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。     

基于小波域隐马尔科夫模型的肌电信号滤波

为了消除肌电信号中的噪声并且保留信号的细节信息,本文提出了基于小波域隐马尔科夫模型的肌电信号消噪方法。该方法利用隐马尔科夫模型对表面肌电信号小波分解后的小波系数之间的相关性进行建模,运用训练模型算法(Expectation-Maximization algorithm,EM算法)估计出该模型的参数,以贝叶斯估计得到真实信号的小波系数,通过重构实现肌电信号的滤波。实验结果表明该方法能有效地去除肌电信号中的噪声,对进一步的特征提取和模式识别创造了良好的条件。     

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.     

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。     

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。     

基于自相关观测和隐马尔科夫模型的统计过程监控

自相关现象在实际统计过程中广泛存在,传统控制图无法进行有效的监控。针对该问题,提出一种考虑自相关观测的隐马尔科夫模型。通过建立观测序列概率分布在时域上的一阶自相关关系,优化建模,并将其应用于过程监控,建立基于此模型的残差控制图。实例与仿真分析显示,与基于自回归移动平均模型相比,该方法具有预测准确、灵敏度高、可操作性强的特点,且对自相关过程的监控效果良好。     

基于流形学习和隐Markov模型的故障诊断

为实现旋转机械故障诊断的自动化与高精度,提出基于正交邻域保持嵌入和连续隐Markov模型的模型诊断方法.将活动件故障振动信号进行经验模式分解并构造Shannon熵得到高维特征向量,利用正交邻域保持嵌入将高维特征向量约简为低维特征向量,并输入到各个状态连续隐Markov链进行旋转机械的故障模式识别.通过深沟球轴承故障诊断实例验证了该模型的有效性.     

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。     

基于模型的故障诊断方法研究

目前,对非线性动态系统故障诊断的研究越来越深入,产生了多种新方法和新理论。文章介绍了非线性动态系统故障诊断方法之后,还分析了对故障诊断技术有待解决的问题和发展趋势。     

基于灰色马尔科夫模型的客户环境需求预测方法

近年来,环境问题日益突出,客户的环境意识逐渐增强,客户环境需求分析处理已成为企业产品设计过程重要环节,了解客户环境需求,对其变化趋势进行预测,可以针对变化的市场适时的对产品进行改进。将环境需求重要度作为产品需求变化的指标,采用灰色马尔科夫模型对客户环境需求重要度进行预测。以某汽车企业的环境需求为例对该方法进行验证。     

基于遗传算法与SOM网络的轴承故障诊断方法

轴承作为旋转机械的核心部件,开展其有关故障诊断方面的研究,有利于对旋转机械运行状态进行监测。针对旋转机械轴承故障的微弱信号容易淹没在其它部件的振动信号中,采用特征提取法,从滚动轴承正常、内环故障、外环故障和滚动体故障四种工况的振动信号中提取时频域统计特征参数;并引入遗传算法消除时频域统计特征间的耦合性与共线性,提取9个时频域最优特征参数作为SOM网络的输入。研究结果表明：不同故障类型下,激活的SOM神经元不呈现明显性的差异性;根据文中神经元激活统计规则,表明SOM具有一定的故障辨识性,且对规则进行调整能够提升SOM网络的诊断效果。     

基于模型的电液控制系统故障诊断方法

为诊断电液伺服控制系统故障,提出了一种模型的方法,它是在Tina平台上实现的.通过不同开关的动作来虚拟模拟常见的故障,诸如放大器漂移、系统参数改变、伺服阀反冲以及传感器失灵等,设置了一些阈值以用于故障的检测,可清楚地演示如何建立系统模型、如何产生残差以及如何进行故障诊断等,为研究和应用基于模型的故障诊断方法提供了一个方便、可行的途径.     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

广义隐马尔科夫模型在轴承温升预测中的应用

将广义区间概率与隐马尔科夫模型结合,建立了广义隐马尔科夫模型,使之具有更好的鲁棒性和处理2类不确定性问题的能力,并成功用于滚珠丝杠进给系统的轴承温升预测。结果表明,广义隐马尔科夫模型能够根据历史信息对轴承的温升进行预测。     

基于遗传算法的概率因果模型在液压泵故障诊断中的应用

针对液压泵多故障诊断和特征提取上的瓶颈问题,提出了应用概率因果模型的液压泵故障诊断法,以斜轴泵为例,在分析其故障特征的基础上,从测得的振动信号中提取故障特征频段,建立模型,以遗传算法实现对故障的搜索,实验结果与事实相符,从而为液压泵多故障诊断提供了一条有效途径。     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。