混合SOM和HMM方法在旋转机械升速全过程故障诊断中的应用

提出了旋转机械升降速全过程故障诊断的一种新方法－混合SOM和HMM方法，利用多个电充振动传感器在旋转机械升速过程的不同转速段合理地采集数据，经过FFT特征抽提取，再由SOM神经网络进行特征压缩编码，最后根据多变量HMM建模理论，对旋转机械的升速全过程的各种模拟模型故障建立HMM，并进行了概率诊断尝试，实验证明该方法是非常有效的。     

旋转机械启动全过程DHMM故障诊断方法研究

旋转机械启动过程中的振动信号包含有重要的参考信息，研究该过程中的旋转机械运转状况，有助于发现存在于系统中的早期故障。根据离散隐Markov模型（DHMM）的建模理论，对旋转机械启动过程的振动谱矢量序列进行标量量化处理，并建立了各种模拟故障的DHMM进行故障分类尝试，实验证明，该方法是十分有效的。     

混合KPCA和SVM的机械零件形状识别方法研究

机械零件形状识别是机械视觉领域的一项重要研究内容。通过傅里叶描绘子,抽取机械零件形状的轮廓信息,形成一系列的高维矢量集合;利用核主分量分析(KPCA)进行特征矢量降维;再利用支持向量机(SVM)对一些简单的机械零件(垫圈、螺母和螺栓)进行了分类实验。实验表明,对于不重叠且形状完整的机械零件具有非常高的识别率,为机械零件智能分拣、智能装配等任务的设计提供了重要的参考依据。     

旋转机械轴心轨迹识别的隐Markov模型方法研究

隐Markov模型（HMM）是一种时间序列的统计模型，在语音识别领域中得到了成功的应用。轴心轨迹是旋转机械故障监测中最为重要的一类图形征兆。本文利用模拟多元时间序列的HMM理论对轴心轨迹的时间序列建立HMM并进行分类。实验表明该方法能够比较理想地对轴心轨迹进行识别。     

基于Solidworks软件的虚拟样机技术及其应用

分析了虚拟样机技术的发展和相关技术 ,介绍了基于Solidworks的虚拟样机系统软件集成 ,并给出了基于Solidworks软件的虚拟样机设计方法和实例 ,实践证明Solidworks系统软件是一种高效率的虚拟样机设计平台     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

基于混合高斯密度HMM的轴承故障诊断技术研究

从轴承正常和故障条件下的实际机械系统中测试的振动信号入手,利用LPC系数进行特征提取,并把提取的特征矢量用于建立HMM隐状态下的高斯概率混合器模型,以便于引入到HMM的训练中,形成一个新的HMM类型-混合高斯密度HMM(GMD-HMM)。通过选取输出最高概率的HMM进行各种轴承故障类型的决策。通过异步电机系统的驱动端轴承的测试信号验证了该故障诊断方法的精确性。     

旋转机械升降速过程的双谱-FHMM识别方法

结合双谱和因子Markov模型，提出了一种基于双谱的特征提取建立机组各状态相应的因子隐Markov模型状态识别法，并成功地应用到旋转机械升降速过程的故障诊断中，同时还与基于双谱的特征提取的HMM状态识别法进行了比较，实验结果表明该方法是有效的。     

转子启动过程HMM故障诊断方法研究

如果转子机械系统存在潜在的缺陷，那么在转子启动过程的振动信号中就会出现异常现象。因此研究转子启动过程的故障诊断方法对于选择合理的应变措施是至关重要的。该过程的故障可以看作是若干主变量依赖于时间的动态模式。隐Markov模型（HMM）已经证明是学习动态时间序列的概率模型的最广泛应用的工具之一，它可以使用一个隐变量来模拟系统的动态行为的变化。实验证明，HMM可以对转子启动过程的故障进行有效的模拟诊断。     

旋转机械升降速过程BSI-FHMM识别方法的研究

结合时序模型的盲辨识和因子隐Markov模型，提出了基于时序模型盲辨识的特征提取方法建立机组各状态相应的FHMM识别法，成功地应用到旋转机械升降速过程的故障诊断中，实验结果表明，该方法有效。