基于连续隐马可夫模型的变工况风机齿轮箱性能退化评估

为排除工况变化给风机齿轮箱性能退化状态特征提取带来的干扰,引入基于干扰属性投影(Nui-sance Attribute Projection,NAP)的特征变换方法.将变换后的特征向量作为观测值建立正常状态下的连续隐马尔科夫模型(Continuous Hidden Markov model,CHMM),以模型输出概率与正常状态输出概率的偏离程度作为齿轮箱性能退化的评估依据.为建立动态警报系统,提出利用极限误差法对输出结果进行统计处理划出分级警报线,为后续维护计划制定提供参考.     

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。     

基于联合参数估计的最大似然调制识别算法

提出一种针对延迟信号相位差的联合参数估计最大似然调制识别算法,通过对相邻信号相位差的分布建立等均值高斯混合分布模型,同时完成了延迟信号相位差最大似然调制识别中所需的频差和噪声似然参数的估计.此算法无需信号先验知识,可通过EM算法同时估出所需的相关参数,极大地降低了最大似然调制识别算法中参数估计的复杂度,可应用于MPSK信号的调制识别,也可用于MQAM信号的相位方式识别.     

修正的边界强度过程模型及其应用

针对边界强度过程模型初始故障强度为零的问题,通过引入位置参数,建立了修正的边界强度过程模型。以故障时间的对数似然函数为优化目标,应用免疫克隆算法给出了模型参数及可靠性指标的极大似然估计值。以两组数控机床现场故障数据为例对所提方法进行验证,对数似然函数值及拟合优度计算结果均表明,该模型优于边界强度过程模型,为制定合理的维修策略提供了一定的理论依据。     

基于脉冲耦合神经网络和Markov随机场的立体匹配研究

立体匹配是寻找立体图像对中对应点的问题,是立体视觉的核心问题。现有立体匹配算法通常是就立体匹配问题建立适当的数学模型并进行求解,在匹配速度和匹配精度之间存在矛盾。以生物视觉研究为背景,提出一种基于脉冲耦合神经网络(PCNN)的立体匹配方法。该方法以Markov随机场(MRF)上的贝叶斯模型为基础,并利用PCNN建立其似然概率模型。将左右2幅图像分别输入到2个PCNN网络,通过迭代生成点火时间序列。引入点火时间序列的平均点火时间差的概念,利用2个像素对应神经元的平均点火时间差来评价2个像素的相似性,并以此为基础确定似然概率。最后利用信任传递(BP)算法求解Markov随机场模型的最大后验概率问题。利用广泛使用的立体视觉测试图像对算法进行了实验。实验结果表明该算法能够有效实现立体匹配,匹配效果较好。     

基于HMM的非特定人汉语语音识别系统

设计了基于隐马尔可夫模型(Hidden Markov Model,HMM)的非特定人汉语语音识别系统,主要由录音、训练和识别三大模块构成."录音模块"首先录制一段指定长度的语音信号,然后通过对语音信号的短时能量和过零率进行门限检测,标志出有效语音段并保存."训练模块"利用Baum-Welch算法计算语音样本的MFCC(Mel Frequency Cepstrum Coefficient)参数生成识别用的语音模板."识别模块"利用HMM识别算法比较语音信号和语音模板的相似概率,找到最大值输出,完成语音识别功能.最后,在MATLAB中实现了该语音识别系统.实验结果表明,系统的识别率为60%以上,若结合足够的训练,识别率可以更高.     

基于HMM算法体系的逆维特比算法理论研究

隐马尔可夫模型(Hidden Markov Model,HMM)的基本算法体系主要包括Baum-Welch算法、前向-后向算法与Viterbi算法三大经典算法,通过展开对HMM新问题及新算法的理论研究,引出逆维特比问题及逆维特比算法的理论体系,并提出将逆维特比算法引入HMM基本算法体系中构建一种新的算法体系及一种新评估体系的构想,最后对新算法体系的应用进行了展望。     

基于QPSO⁃HMM的滚动轴承故障程度辨识

综合量子粒子群优化算法（quantum particle swarm optimization,简称QPSO）的全局搜索能力与隐马尔科夫模型（hidden Markov model,简称HMM）良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。     

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。     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

Nonlinear machine fault detection by semi-supervised Laplacian Eigenmaps

A semi-supervised Laplacian Eigenmaps algorithm for machine fault detection is proposed. The purpose of the algorithm is to efficiently extract the manifold geometric characteristics of nonlinear vibration signal samples, and to determine fault classification of operating equipment so that the accuracy of fault detection can be improved. The data acquisition and pre-processing of the vibration signal is firstly implemented from monitoring equipment, then hybrid domain feature is obtained, and the initial sample set can be built. This is followed by implementing the semi-supervised Laplacian Eigenmaps algorithm so that the sensitive nature characteristics of manifold can be obtained from the device initial sample set. In order to establish the intelligent diagnostic model, the Least square Support vector machine (LS-SVM) is then adopted, which fault diagnosis and decisions can be achieved in the feature space of the low-dimensional manifold. The experiment results of using the IRIS data, gearbox and compressor fault data show the proposed method has more advantage when compared with the PCA and Laplacian Eigenmaps on improving the accuracy of fault detection.     

考虑传感器与执行器故障的EPS主动容错控制

针对传感器及执行器故障对EPS助力性能的影响,提出一种EPS主动容错控制方法。建立含参数不确定性、传感器与执行器故障的EPS系统模型,将系统不确定性转化为故障估计误差系统的扰动,基于未知输入观测器及线性矩阵不等式推导故障估计误差系统稳定并对扰动具有鲁棒性的充分条件,采用LMI区域极点配置法提升故障估计性能;在此基础上,针对执行器故障设计控制律补偿容错控制算法,针对传感器故障设计信号重构容错控制算法。Matlab/Simulink环境下的仿真结果表明,当传感器与执行器单独或同时发生故障时,设计的故障估计算法均可较为准确地估计故障幅值,故障估计的误差较小;针对不同故障对助力性能的影响,提出的容错控制方法均可使故障EPS系统的助力性能有所恢复。基于LabVIEW PXI的硬件在环试验进一步验证容错控制应用于EPS系统的有效性,提升汽车转向行驶的安全性及可靠性。     

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络（Deep belief network, DBN）和连续隐马尔科夫（Continuous hidden markov model, CHMM）相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。     

基于局部投影算法的齿轮故障声信号特征提取

局部投影算法采用延时坐标将时间序列进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,通过子空间中吸引子特性的不同来分离时序中的背景信号和弱特征信号分量。提出将局部投影算法用于设备故障声信号的降噪,通过齿轮故障信号的特征提取实验证实该方法用于识别设备故障的有效性。     

基于FOA-MKSVM的滚动轴承故障分类方法

由于滚动轴承实际各状态数据一般具有不均衡的特点,所以分类时采用单一核函数存在一定的局限性。针对此问题以及支持向量机多参数选择的盲目性,建立一种基于果蝇优化算法的多核支持向量机模型。该模型可以通过核函数权值来调节全局核函数和局部核函数在该模型中的作用,兼具了良好的学习能力和泛化能力。同时,将多核支持向量机参数与果蝇算法中食物的味道浓度值建立一定关系,通过模仿果蝇觅食行为,对各参数进行优化选择。为了验证所提方法的有效性,先利用UCI标准数据集进行实验,再将其应用到滚动轴承故障分类中,并对单核核函数与多核核函数及参数优化算法进行比较。结果表明,提出的方法具有初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的优点,可有效地应用到滚动轴承故障分类中。