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.     

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models, HSMM)的设备退化状态识别新方法.对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念.构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别.以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态.     

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。     

基于DD-HSMM的设备运行状态识别与故障预测方法

针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型。该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性。基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程。同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。     

基于改进HSMM的设备故障预测方法研究

针对传统隐半马尔科夫模型(HSMM)在故障诊断和预测应用中存在的不足,对传统HSMM做了以下改进:一是将状态持续时间概率分布和监测值概率分布连续化,并假定其服从威布尔分布;二是基于状态开始时间的识别,提出了状态剩余持续时间;三是提出了时变转移概率的概念,给出了各时刻转移概率的计算方法。确立了基于改进HSMM的故障诊断和预测的方法体系,给出了故障诊断判据和设备剩余寿命的计算式。案例研究表明方法是合理有效的。     

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HSMM的机械故障演化规律分析建模与预测

状态维修是工程实践中提出的一个主要问题,故障预测(prognostics)是实现状态维修的核心支撑技术。但是目前故障预测技术研究很少涉及故障演化规律分析与建模,这是进行故障预测研究的基础。文中在分析机械故障形成的一般过程、基本特性与演化规律的基础上,根据故障演变过程退化状态和HSMM(hidden semi-Markov model)的状态都是通过表现来感知的特点,利用HSMM对机械故障演化规律进行建模,并提出基于HSMM的机械故障预测方法,最后将其应用到滚动轴承的故障预测中,验证该方法的有效性。     

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.     

基于灰色理论的电厂设备状态趋势预测研究

本文提出了基于灰色预测理论的机械设备状态监测方法,重点介绍了灰色预测理论的内容及其应用;其根据设备自身历史数据建立动态微分方程,并预测自身的发展,具有数据量小、计算简单、预测准确的特点.通过实例证明,该方法是有效的.     

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KPCA-SVC的复杂过程故障诊断

本文提出了一种将核主元分析方法与支持向量机分类相结合进行故障诊断的方法,运用该方法对连续搅拌釜式反应器（CSTR）进行实时的故障诊断,实验结果表明KPCA-SVC故障诊断方法既充分利用了KPCA的特征提取能力和SVC的良好的分类能力,又避免了复杂的计算,有利于提高故障诊断模型的实时性。     

基于组合预测法的航空设备故障预测研究

本文针对飞行器健康管理系统故障预测部分,由于单一预测方法往往难于保证应用效果,本文提出基于GM(1,1)和指数平滑法的组合预测方法,采用拟合均方误差确定组合方法的加权系数,取两种方法预测值的加权值作为最终结果。以某航空设备为例,验证了该方法能提高预测系统的综合性能,弥补了单一方法的不足,具有良好的应用效果。     

基于MEPA-RST-NBNC的复杂设备智能故障诊断方法研究

结合最小熵原理法(MEPA)的数据离散功能,粗糙集理论(RST)的数据分析和容错能力,以及朴素贝叶斯网络分类器(NBNC)的并行推理能力,采用串行集成思想,提出了一种基于MEPA-RST-NBNC的复杂设备智能故障诊断方法.首先利用MEPA实现连续条件属性的离散化,形成离散化诊断决策表;然后利用RST分辨矩阵实现故障特征的简化,并采用最大聚类比原则提取出最佳约简;最后根据约简诊断决策表建立NBNC模型来实现高效快速的诊断推理.故障诊断实例表明该方法不仅克服了RST诊断法的规则搜索和临界误判问题,而且避免了NBNC诊断法的维数灾难问题,具有较强的工程实用性.     

基于间歇故障信号动态响应特征的电连接器退化状态评估方法研究

电连接器间歇故障是装备中的一种主要故障类型,其信号表现与电连接器的退化状态及环境应力等级具有强关联特 性。 针对装备中电连接器退化状态难以评估这一技术难题,充分利用正弦振动条件下电连接器的间歇故障信号动态响应特征, 结合动力学模型分析其接触界面相对位移的表现规律,提取间歇故障信号的双峰幅值及其时间差作为反映电连接器退化状态 的有效特征参数,并构造特征参数数据集;进一步建立基于深度信念网络和多任务学习的状态评估模型,采用自适应迭代加权 求和的方式对模型的损失函数进行改进,结合间歇故障特征参数数据集,对电连接器开展退化状态评估分析,评估准确率达到 95. 94% ,为开展电连接器退化状态评估研究提供了新思路。     

基于故障图谱的企业级故障模式识别方法

基于流程工业实时监控子系统积累的海量监控数据集,提出一种利用系统固有属性将系统监测数据集转换为二值数字图像,进而构造系统故障图谱的新方法。通过分析故障图谱,在企业层面上实现了故障模式识别。利用监测数据正常运行时的监测值范围,将监测数据分为正常数据和异常数据两类。对两类数据分别着以黑色或白色,画出系统故障图谱。引入数字图像处理技术,利用传统的数字图像相似度算法,在故障模式库中搜寻相近的故障图谱,实现系统级别的故障模式识别。结合两个应用实例,验证了算法的正确性和实用性。     

特种车辆油气弹簧漏气故障的识别与预测

针对特种车辆实现基于状态的维修和自主保障需求,首次对特种车辆悬挂系统的核心部件油气弹簧进行了基于数据驱动方法的状态识别和故障预测研究。对油气弹簧的主要故障模式和机理进行了分析,针对发生频率最高的漏气故障,提出了一种适用于不同工况下的基于相同位移下气压变化的特征提取方法。提出了一种基于支持向量分类机和回归机的故障识别和预测框架,采用该框架能适应实车应用环境的要求,无需增加额外传感器,只利用车辆现有的测试环境就能实现油气弹簧漏气故障的实时监测和预防性维护,与其他基于振动信号的方法相比更具有实用性。在试验室内进行了模拟状态退化试验,利用采集的数据验证了方法的可行性,可用于特种车辆油气悬架的在线状态监控和预测。     

基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

基于时频特征融合与 GWO-ELM 的棒控电源早期故障状态辨识方法

针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形形态与早期故障模式。然后,构建融合电流上升时间、均方根-差分和和小波包奇异熵的故障时频特征,分析了特征的可区分性。进而,采用GWO算法进行ELM分类器参数择优,建立GWO-ELM模型实现PWE早期故障状态的辨识,以提高辨识精度。最后,通过开展不同特征组合和辨识模型比对试验,结果表明所提方法能有效实现棒控电源早期故障识别诊断,且平均辨识准确度可达98.86%。