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.     

基于隐马尔可夫模型的汽轮机故障诊断方法研究

为提高汽轮机故障诊断的准确率,本文提出一种基于小波包能量与隐马尔可夫模型相结合的汽轮机故障诊断方法.对汽轮机振动信号进行小波包分解,将小波包能量作为特征集;分别对每种故障状态的样本训练HMM(Hidden Markov Model),并构建故障诊断知识库;最后利用训练好的HMM对待测样本进行故障诊断.通过对汽轮机常见故障的诊断分析表明,基于隐马尔可夫模型的故障诊断方法的准确率优于BP神经网络、SVM(Suppvrt Vectwr Machine)等方法.     

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.     

变转速变载荷下滚动轴承故障的小波-HMM诊断

常规的谱分析等方法难以对滚动轴承变转速变载荷工况进行故障诊断，为此，采用具有时频局域特征的小波分析法。对变转速变载荷工况下滚动轴承的振动信号。用小波包分解法提取各频带的能量作为特征参数。再采用连续隐Markov模型（HMM）对滚动轴承的状态进行识别。试验证明，小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。     

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。     

基于小波包能量谱的HMM钻头磨损监测

从工程应用的角度论述了小波包分解原理及其能量谱监测理论，并将该理论应用于钻削力信号特征提取中，针对钻削过程特征矢量与钻头磨损之间具有较强的随机性和不确定性的特点，提出一种基于隐马尔可夫模型（HMM）的钻头磨损监测方法。实验结果表明，通过对钻削力信号进行多层小波包分解，提取各频段能量谱作为特征矢量可准确刻画工艺系统随钻头磨损的演化规律，利用HMM建立的各钻头磨损状态小波包能量谱的统计模型可有效跟踪钻头磨损的发展趋势，实现钻头磨损状态和寿命的监测。     

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HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。     

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位，对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(Hidden Markov Model，HMM)本质上的相通性，利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号，先以基于短时傅里叶变换的倒谱系数为特征训练模型，再利用模型进行状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断，且具有训练时间短、诊断速度快的优点。     

机电系统BIT的非永久故障分析建模与诊断

非永久故障是导致机电系统BIT（built-in test）虚警的一个主要原因，诊断非永久故障既可保证BIT的高故障检测率，同时又可有效地抑制虚警。但是目前缺乏对非永久故障的机理分析与建模，相应的诊断研究也很少。在分析研究非永久故障的表现形式、产生原因与机理的基础上，对被测系统的状态进行马尔可夫建模，再根据被测系统和隐马尔可夫模（hidden Markov model，HMM）的状态都是通过表现来感知的特点，利用HMM对BIT被测系统建模，并提出基于HMM的BIT非永久故障诊断方法，最后通过实验验证表明，此方法能有效地诊断非永久故障，降低BIT虚警。     

基于小波分析的机械故障特征提取研究

常见的机械故障诊断研究侧重于对故障的识别和分类,相应的故障诊断方法均为提高诊断的准确率而设计;从实际应用角度来讲,这样的诊断方法是不全面的。全面反映设备故障状况的因素除了故障类别外,还应指出故障的具体位置和程度。冲击,油膜振荡,碰摩和转速突变等故障往往产生奇异信号,奇异点包含了更为丰富的故障信息。小波分析具有良好的时频局部化特性,为描述信号的奇异性提供了手段,为此提出用小波分析方法,通过对奇异故障信号的检测,信噪分离和信号频带分析来提取故障特征,以确定故障的位置和程度,这种方法提取的故障信息应用在神经网络等其他故障诊断方法中可以更准确,更全面地诊断故障,柴油机和风机故障实例证明了该方法的有效性。     

Condition monitoring and classification of rotating machinery using wavelets and hidden Markov models

Condition monitoring and classification of machinery state is of great practical significance in manufacturing industry, because it provides updated information regarding machine status on-line, thus avoiding the production loss and minimising the chances of catastrophic machine failure. In this paper, the condition classification is based on hidden Markov models (HMMs) processing information obtained from vibration signals. We present an on-line fault classification system with an adaptive model re-estimation algorithm. The machinery condition is identified by selecting the HMM which maximises the probability of a given observation sequence. The proper selection of the observation sequence is a key step in the development of an HMM-based classification system. In this paper, the classification system is validated using observation sequences based on the wavelet modulus maxima distribution obtained from real vibration signals, which has been proved to be effective in fault detection in previous research.     

基于小波核扩散与双阶段SVM的轴承复合故障分类方法

轴承复合故障分类中存在故障特征强线性不可分及故障数据标签不足问题,严重影响分类精度。为此,提出基于双阶段支持向量机(SVM)与小波核扩散的轴承复合故障分类方法。针对故障特征强线性不可分,使用小波核函数对其进行高维空间映射,并利用极大重叠离散小波包变换获取信号在不同频带上的能量分布作为故障特征;针对故障数据标签不足,提出增量式核空间标签扩散的双阶段SVM分类模型,在小波核空间核差异距离基础上,利用增量式核空间标签扩散对训练样本的近邻样本、粗分阶段边界样本进行扩充,并在细分阶段依据扩充后的样本完成模型训练。3组轴承复合故障数据验证了所提方法的有效性,实验研究表明,在单类训练样本为5的条件下,所提方法比SVM分类准确率平均提升7.5%,并优于其他流行算法。     

基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。