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.     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

基于状态加权合成的HMM滚动轴承故障诊断

在故障诊断基本原理的理论基础上,使用具有良好识别和抗噪性能的连续高斯混合密度隐马尔可夫模型(CGHMM)进行建模,针对多样本观察值序列问题,详细地描述了一种新的算法状态加权合成的CGHMM训练算法,并将其应用于轴承故障诊断。试验结果表明,平均训练时间为12.859 s,诊断时间为0.189 s,诊断精度为96%。该方法确实有效可行,具有良好的应用前景。     

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LSSVM-HMM的发射机故障预测研究

针对雷达发射机的故障状态具有强的随机性和不确定性问题,结合最小二乘支持向量机(LSSVM)能够对信号进行非线性预测和隐马尔可夫模型(HMM)能够进行较为精确的似然度概率计算的特点,提出了基于LSSVM-HMM的故障状态预测模型.通过基于小波包的SSNF算法对采集的磁控管电流信号进行去噪后提取有效的非平稳和非线性特征,用正常时的特征向量来训练HMM,并利用该模型对未知信号的特征向量及用LSSVM对其预测到的特征向量进行状态监测,从而获得故障出现的概率.实验结果表明,该模型用于小样本的发射机故障预测是有效的尝试.     

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.     

设备健康评估在轨道交通设施设备维保中的应用研究

地铁设施设备的健康评估对轨道交通稳定运营具有极为重要的意义.本文基于隐马尔可夫模型(HMM)构建设备健康评估模型,将设施设备的健康特征信息输入模型进行数据训练,同时,通过KL距离计算有效评估设施设备的健康状态.通过设备健康评估模型的应用,能够很好地反映地铁设施设备的健康程度.     

故障特征增强的滚动轴承状态评估方法

针对现有滚动轴承状态评估方法对早期故障不敏感、严重依赖历史全生命周期数据等问题,提出一种增强故障信息的滚动轴承状态评估方法。采用小波包变换提取信号特征,基于隐马尔可夫模型结合指数加权移动平均建立评估指标,以评估轴承健康状况并增强早期故障信息;早期故障发生后,应用改进的增强功率谱对信号的频域特征进行增强并诊断故障类型。实验结果表明：该方法能有效描述滚动轴承的退化趋势,及时发现早期故障并快速诊断故障类型。     

航天发射场供气系统健康管理技术

针对新一代航天发射场采用全新的在线供气模式,难以有效评估单样本设备健康状态的问题,提出一种基于隐马尔可夫的设备健康状态管理与预测方法。首先,利用设备监测数据构建隐马尔可夫健康状态评估模型,通过对不同观测序列与不同观测次数下的预测准确率进行仿真,确定出最优的模型参数;其次,把实时数据代入模型,根据模型的计算结果取最小值,从而判断出设备的健康状态;最后,将当前数据与历史数据进行拟合,预测出系统的安全可靠寿命。经实际检验,该方法有效解决了单样本多状态设备的健康评估。     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。     

隐马尔可夫树模型在带钢表面缺陷在线检测中的应用

通过图像分割算法寻找由缺陷组成的可疑区域是热轧带钢表面缺陷在线检测与识别的关键。将热轧带钢表面图像分为“背景”和“缺陷”两大类,采用隐马尔可夫树(Hidden Markov tree,HMT)模型分别建模并实现多尺度缺陷分割。将不同类别的缺陷用同一个“缺陷模型”来表示,可以降低算法复杂度。HMT模型对带钢表面常见缺陷的分割正确率达到94.4%,分割错误率为18.8%。针对HMT模型得到的细尺度分割结果中分割错误率较高问题,引入基于环境的多尺度融合方法(Context-adaptive hidden Markov tree, CAHMT),将不同尺度的分割结果融合,大幅降低细尺度分割的分割错误率,达到3.7%。     

Equipment health diagnosis and prognosis using hidden semi-Markov models

In this paper, the development of hidden semi-Markov models (HSMMs) for equipment health diagnosis and prognosis is presented. An HSMM is constructed by adding a temporal component into the well-defined hidden Markov model (HMM) structures. The HSMM methodology offers two significant advantages over the HMM methodology in equipment health diagnosis and prognosis: (1) it overcomes the modeling limitation of HMM due to the Markov property and therefore improves the power in diagnosis, and (2) it can be directly used for prognosis. The application of the HSMMs to equipment health diagnosis and prognosis is demonstrated with the fault classification application of UH-60A Blackhawk main transmission planetary carriers and prognosis of a hydraulic pump health monitoring application. The effectiveness of the HSMMs is compared with that of the HMMs. The results of the application testing have shown that the HSMMs are capable of identifying the faults under both test cell and on-aircraft conditions while the performance of the HMMs is not comparable with that of the HSMMs. Furthermore, the HSMM-based methodology can be used to estimate the remaining useful life of equipment.     

考虑设备多状态的缸盖生产线性能分析与优化

为实现发动机缸盖生产线的性能提升和成本管控,提出一种考虑设备多状态的发动机缸盖生产线性能分析与缓冲区配置优化方法。首先,采用马尔可夫模型揭示设备多状态与缓冲区库存的变化规律,建立了生产线可用度与缓冲区容量的耦合模型。其次,构建了以生产线可用度和缓冲区配置成本为目标的多目标优化模型,并采用NSGA-Ⅱ算法求解优化模型。最后,通过案例证明所提方法能提高缸盖生产线的生产性能并降低缓存区配置成本。     

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达（SAR）图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。     

基于隐马尔可夫的网络控制系统稳定性分析

讨论了一类具有随机通信时延的网络控制系统的建模及稳定性分析,其中网络诱导时延受控于一概率分布未知的马尔可夫链,其概率分布可通过Baum-Welch算法计算.基于隐马尔町夫模型理论,将采用状态反馈的闭环网络控制系统建模成跳变线性系统,给出了这类网络控制系统随机稳定的允分条件,并将状态反馈控制器的求解问题转化为线性矩阵不等式的解的问题.最后,通过一个仿真算例说明了上述判定系统稳定性条件的有效性.     

Influence of time and length size feature selections for human activity sequences recognition

In this paper, Viterbi algorithm based on a hidden Markov model is applied to recognize activity sequences from observed sensors events. Alternative features selections of time feature values of sensors events and activity length size feature values are tested, respectively, and then the results of activity sequences recognition performances of Viterbi algorithm are evaluated. The results show that the selection of larger time feature values of sensor events and/or smaller activity length size feature values will generate relatively better results on the activity sequences recognition performances.