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HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

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。     

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Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构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来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

基于遗传算法的耦合隐马尔科夫模型的故障诊断方法

针对有效利用多通道数据进行准确、灵敏的故障诊断的问题,研究了一种基于遗传算法的耦合隐马尔科夫模型的故障诊断方法。该方法是通过遗传算法优化耦合隐马尔科夫模型参数,以优化参数后的耦合隐马尔科夫模型拟合设备各状态数据建立状态模型库,再计算待诊断信号的极大似然概率值判断设备状态。通过对滚动轴承6种状态实验数据的分析,表明遗传算法能对耦合隐马尔科夫模型参数进行有效优化,且这种基于遗传算法参数优化的耦合隐马尔科夫模型能准确、灵敏地进行故障诊断,且能以极少量数据识别出状态变化。相比于传统故障诊断方法,该方法可不进行特征提取直接建立诊断模型,简化了诊断流程且能更好利用隐马尔科夫模型对状态转变敏感的特性。     

基于随机滤波模型的齿轮箱剩余寿命预测研究

针对设备剩余寿命预测无法获取设备直接状态信息的问题,引入随机滤波模型,利用平时易于监测到的间接状态信息,来预测设备的剩余寿命.该模型采用贝叶斯递推理论,可以有效利用设备监测到的历史状态信息;针对小样本模型参数估计问题,采用主观数据和客观数据相结合的贝叶斯方法对模型的参数进行估计;最后,以齿轮箱全寿命实验为依据,利用该模...     

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.     

动态贝叶斯网络在设备剩余寿命预测中的应用研究

采用动态贝叶斯网络对设备剩余寿命进行预测,建立了基于动态贝叶斯网络模型的设备剩余寿命预测框架模型,运用动态贝叶斯网络的粒子滤波近似推理算法对加工过程中钻头寿命预测进行实例研究,结果表明了该方法的有效性.     

一种新型动态贝叶斯网络分析方法

为充分发挥T-S动态故障树和动态贝叶斯网络分别在分析建模与推理计算方面的优势,提出了一种新型动态贝叶斯网络分析方法--基于T-S动态故障树的动态贝叶斯网络分析方法。将T-S动态故障树转化为动态贝叶斯网络有向无环图,再将T-S动态门及其描述规则转化为动态贝叶斯网络条件概率表,进而提出了正向推理叶节点失效概率、反向推理根节点后验概率和求解根节点概率重要度、关键重要度、风险业绩值、风险降低值、微分重要度与灵敏度的新型动态贝叶斯网络算法。通过与基于Dugan动态故障树的动态贝叶斯网络分析方法和静态贝叶斯网络分析方法对比,验证了所提方法的可行性。最后,用所提方法对液压缸同步系统进行可靠性分析,计算得到系统失效概率、根节点后验概率、重要度与灵敏度,为提高系统可靠性和进行故障诊断提供依据。     

多维动态贝叶斯网络及其重要度分析方法

贝叶斯网络分析方法是可靠性分析的重要方法,但传统贝叶斯网络分析方法局限于分析单因素影响,当系统可靠性受多因素影响时会产生较大分析偏差。为此,提出多维动态贝叶斯网络分析方法,借助单位阶跃函数与冲激函数进行贝叶斯网络时间连续化构造,建立根节点受多因素影响时系统的失效概率分布函数。在此基础上,对传统重要度分析方法进行多维扩展,提出多维动态贝叶斯网络重要度分析方法。通过对斗轮机张紧机构液压系统进行工程实例分析,并与离散时间贝叶斯网络分析方法分析结果对比,验证了多维动态贝叶斯网络及其重要度分析方法的可行性和优越性,为系统改进与薄弱环节识别提供了更为准确的量化依据。     

[轨道交通运维技术]基于离散时间贝叶斯网络的列控中心可靠性分析

针对动车组列控中心在实际工作环境中的故障同时具有多态性和动态性的问题,提出一种依据列控中心各单元的功能逻辑关系来建立离散时间贝叶斯网络的分析方法。归纳部件的多种故障模式并描述列控中心故障的多态特性,采用EM算法优化更新条件概率表;针对列控中心动态失效问题,建立动态贝叶斯网络模型,将一次任务划分为启动、运行、制动三个阶段,在各个阶段通过重要度和敏感性对该模型进行可靠性分析。最后,以CTCS-2级列控系统的列控中心为例,对该离散时间贝叶斯网络模型进行验证和分析,结果表明该方法能够很好地表征列控中心的多态性和动态性。     

Bayesian预测及其在钢丝绳缺陷识别中的应用

本文提出了动态系统故障诊断的Ｂａｙｅｓｉａｎ预测方法，为机电设备诊断提供了新的理论，对钢丝绳检测信号的状态定量识别设计了一种新的算法并且通过实例进行了验证．     

考虑共因失效的新型连续时间动态 贝叶斯网络可靠性分析方法

现代系统失效行为复杂,动态性与相关性并存。首先为直观准确地刻画分析系统中的动态失效行为,提出新型连续时间动态贝叶斯网络分析方法,利用节点时序条件概率表刻画事件关系,进而提出基于节点时序条件概率表规则执行度与冲激函数抽样性质的子节点故障概率、根节点后验概率及重要度的计算方法;进一步,针对共因失效引起的系统相关性失效行为,提出考虑共因失效的新型连续时间动态贝叶斯网络分析方法,解决系统失效逻辑动态性和相关性的重叠问题。通过与贝叶斯网络、离散时间动态贝叶斯网络分析方法、Markov链、Monte Carlo法对比,验证所提方法的可行性与优越性。最后,对动态失效相关系统进行可靠性分析,结果表明,本文方法能够直观有效地刻画动态性与相关性失效行为,得到准确的系统可靠性指标,考虑共因失效相比于忽略共因失效,在任务时间为5×10~6 h时能够提高系统29%的可靠性分析精度,更加符合实际。     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

寄生式时栅传感器动态测量误差的贝叶斯建模

为了提高寄生式时栅传感器的测量精度,分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点,建立了寄生式时栅动态误差高精度预测模型,并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型,以实际测量的传感器第一个对极动态误差数据进行建模,在后续对极特定位置插入部分实际误差测量数据,建立误差预测模型,预测了传感器后83个对极的动态误差。另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模,并与建立的误差模型进行了对比。验证实验表明,三次样条插值建模时间最短(0.62s),但其建模精度不高(16.050 0″);贝叶斯动态模型建模时间(0.86s)略长于三次样条插值,但建模精度最高(0.415 3″);BP神经网络建模时间最长(32min),但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个),节省了大量的标定时间和建模数据量,因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。     

铁路货车车号图像识别系统的算法研究

目前货车检修正逐步从计划检修向状态检修过渡,就对货车日常管理提出了更高的要求,而对货车车号识别,是实现对货车进行动态跟踪和管理的重要基础。针对货车车号识别,本文采用深度学习技术,利用YOLO网络模型结构和货车车号字符特点,实现对车号位置的准确检测,克服了光照、污迹、缺失等干扰的影响,同时,利用基于卷积神经网络的分类技术,实现对货车车号的识别。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

基于贝叶斯网络的草图识别研究

针对大多数草图识别算法笔画分组精确率低和用户适应性较差的问题,提出了一种基于混合特征的笔画分组方法,并在笔画的分组信息基础上构建了贝叶斯网络模型识别用户绘制的语义符号。该方法首先将用户绘制的笔画分组,每个分组代表一个独立的语义符号,然后提取分组的特征向量,最后通过贝叶斯网络模型推理出分组对应的语义符号。通过实验验证和数据分析,表明该方法具有良好的用户适应性、笔画分组能力及符号识别能力。