基于無限隱Markov模型的機械故障診斷方法研究.pdf

1、本論文是在國家自然科學基金(51261024，51075372，51265039，50775208)，江西省教育廳科技計劃項目(No.GJJ12405)，機械傳動國家重點實驗室開放基金(No.SKLMT-KFKT-201514)和廣東省數字信號與圖像處理技術重點實驗室開放課題(2014GDDSIPL-01)資助下展開研究。針對基于HMM故障診斷方法中的模型定義和估計過程存在著嚴重不足，將一種新的機器學習方法—無限隱Markov模型(iH

2、MM)引用到機械故障診斷中，提出了基于iHMM的故障診斷新方法，并取得了一些創(chuàng)新性的成果。本論文主要研究內容如下：
　　第一章，論述了本課題的提出及其展開研究的意義，并論述了傳統(tǒng)隱Markov模型(HMM)的研究現(xiàn)狀，特別是在機械故障診斷領域研究現(xiàn)狀。詳細論述了iHMM的國內外研究現(xiàn)狀。在此基礎上，提出了本論文的主要研究內容、結構安排和創(chuàng)新之處。
　　第二章，論述了傳統(tǒng)隱Markov模型的理論及其存在的不足，并在此基礎之上，

3、闡明了無限隱Markov模型的理論及算法。在iHMM中，首先，從Dirichlet過程進行狀態(tài)間轉移概率的計算推導。然后，使用分層Dirichlet過程進行隱狀態(tài)機制和生成機制的推理。其次，對模型超越參數的推理、優(yōu)化和似然估計。還通過仿真實例對iHMM推理算法進行了驗證，仿真結果表明iHMM具有很好的狀態(tài)數目發(fā)掘能力，能夠準確的反映狀態(tài)序列的結構特征。最后，從概率統(tǒng)計的觀點出發(fā)，說明了iHMM在機械故障診斷中所發(fā)揮的作用。
　　第

4、三章，結合譜峭度和iHMM的各自特性，提出了一種基于譜峭度和iHMM的旋轉機械故障診斷的新方法。在提出的方法中，譜峭度用于故障特征提取，iHMM用作識別器，利用譜峭度提取的故障特征輸入到iHMM中進行故障識別，其中，以最大似然估計來確定設備運轉中出現(xiàn)的故障類型。同時，將提出的方法與傳統(tǒng)的HMM進行故障識別方法進行了對比分析。實驗結果表明，提出的方法是有效的，能有效地區(qū)分不同的故障類型。提出的方法明顯優(yōu)于傳統(tǒng)的HMM故障識別方法，克服了傳

5、統(tǒng)的HMM故障識別方法存在的不足。
　　第四章，論述了基于Beam抽樣(Beam sampling)的iHMM理論及算法，并將該算法應用到滾動軸承退化趨勢預測中，并結合小波熵，提出了一種基于小波熵和Beam抽樣iHMM的滾動軸承退化趨勢預測的新方法。在提出的方法中，利用小波熵提取故障特征，輸入到iHMM中進行退化趨勢預測。仿真結果驗證了利用小波熵用作評價性能退化評價指標的有效性。同時，提出的方法與傳統(tǒng)的HMM進行退化趨勢預測方法進

6、行了對比分析。研究結果表明，提出的方法明顯優(yōu)于HMM性能退化預測方法，并通過相對誤差指標充分反映出來。
　　第五章，相對完整數據下的預測，缺失數據下的預測更困難，也是更有意義。本章詳細論述了缺失數據下利用iHMM進行滾動軸承退化趨勢預測的可行性，在此基礎上，提出了一種缺失數據下的基于iHMM滾動軸承退化趨勢預測，給出了缺失數據下iHMM預測模型建立及其預測方法。提出的方法能夠較好的對前期的缺失數據進行預處理，使用預處理的得到的特征