基于隐Markov模型的汽轮机运行状态识别

本文首先介绍HMM的基本理论.给出汽轮机振动幅值谱的标量量化方法,并在此基础上提出基于DHMM的火电厂汽轮机升负荷模型的状态识别方法.然后利用汽轮机升负荷的轴振数据验证DHMM状态识别方法的有效性.最后,总结本文研究内容并分析了HMM在汽轮机运行状态识别方面存在的问题.     

基于隐Markov模型的重型数控机床健康状态评估

为了辅助重型数控机床的综合健康状态评估,从性能劣化角度出发,建立基于多性能参数多观测序列的隐Markov健康状态评估模型,改进了以往基于单性能参数的隐Markov模型不能准确描述机床健康状态的问题.针对隐Markov模型的参数初始化难题,通过K-means方法进行参数聚类分析,使初始化参数趋向于全局最优解;由于单性能参数不能完全描述机床状态的隐含信息,提出一种基于多性能参数多观测序列值的隐Markov模型训练算法.通过某重型数控机床滚珠丝杠的健康状态评估实例,获取了滚珠丝杠的健康状态变化趋势,验证了方法的可行性和有效性.     

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。     

基于隐Markov模型的机械振动源数估计方法

针对非平稳时变信号,提出一种基于隐Markov模型(HMM)的机械振动源数估计方法.该方法结合隐Markov模型理论与自相关测定,通过比较不同模型的信度来确定信源的个数.实验结果表明该方法能够有效地估计出非平稳时变信号的信源个数,为机械振动故障诊断中的振动源分析提供了方法保障.     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

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CDA与HSMM-DBN的齿轮磨损状态识别研究

提出了由动态贝叶斯网络表达的隐半马尔可夫模型用于齿轮磨损状态识别的新方法,通过计算待识别磨损特征向量的概率值来确定齿轮磨损状态。根据磨损特征之间的非线性关系这一特性,应用曲线距离分析方法对特征进行降维。最后,利用5种不同工况下的齿轮磨损实验数据对模型进行验证。结果表明,该模型可以有效地识别齿轮磨损状态,识别正确率可以达到94.5%,为齿轮箱的健康管理提供了科学依据。     

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2D-HMM旋转机械升速过程的故障诊断方法研究

旋转机械升速过程具有信息量大、信号非平稳、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。将2D—HMM引入到旋转机械升速过程的故障诊断中，提出了一种基于2D—HMM的故障诊断方法，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Bently—Nevada转子试验系统验证了方法的有效性。     

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Voherra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Voherra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态.提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷.最后,将提出的方法应用到旋转机械故障诊断中.实验结果验证了该方法的有效性.     

基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。     

基于动态状态估计法的智能变电站隐性故障检测方法研究

提出了一种变电站集中保护方案( CPS ),该方案对变电站内的保护系统进行监控,检测隐性故障,提高保护系统的安全性。该监控通过实时动态状态估计来实现。该方法支持系统内的智能电子设备( IED )向 CPS 传输数据,通过 CPS 处理数据、检测异常并进行动态状态估计。在使用卡方检验检测到异常后,通过假设检验,将问题归类为隐性故障或电源故障。若检测到隐性故障则触发闭锁信号,以保护受影响的智能电子设备免受误动作。所提出的架构为智能变电站提供一种可靠的数据管理技术和通信系统的优化手段。     

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RBF网络的眼睛状态识别

在基于视频分析的驾驶员状态检测过程中,对驾驶员眼睛状态的检测是关键一环.经研究发现,人在清醒、疲劳、睡眠时,眼的张开程度不同,并且这3种状态时眼睛区域二值化图像的水平投影有明显区别.提取眼睛区域二值化图像水平投影特征,利用RBF网络分类器识别驾驶员眼睛的状态.实验结果表明,方法可行,并取得满意效果.     

基于分层贝叶斯模型的齿轮弯曲疲劳试验分析

常规齿轮弯曲疲劳试验数据处理方法是基于最小二乘法（LSE）等传统频率理论的,在小样本条件下可靠度应力寿命（P-S-N）曲线易发生拟合失真。基于成组法开展了8620H钢表面渗碳齿轮的弯曲疲劳试验,将贝叶斯理论应用于小样本条件下弯曲疲劳试验数据分析,建立了齿轮弯曲疲劳试验数据的分层贝叶斯（HBM）模型,并通过Gibbs采样获得了参数的后验分布,得到齿轮弯曲疲劳P-S-N曲线。同时以50%和99%可靠度下S-N曲线相对斜率比为评价指标,对比了LSE模型与HBM模型拟合效果,结果表明：随着试验样本数据量的变化,HBM模型的相对斜率比α波动变化率为传统LSE模型的1/40,小样本条件下HBM模型结果优于传统的LSE模型结果。HBM模型可推广应用至齿轮接触疲劳试验等数据分析中。