基于Dirichlet过程混合模型的滚动轴承运行状态识别

针对滚动轴承的运行状态识别问题,利用典型DP混合模型良好的聚类特性,提出了基于DPMM的滚动轴承运行状态识别算法,并推导了算法聚类的详细步骤。利用轴承状态监测数据进行了验证和分析,结果表明:DPMM算法不依赖于训练样本,模型结构能够随着观测数据的变化实现自适应变化和动态调整,自动识别轴承的运行状态数;同时,识别结果不依赖于DPMM算法初始参数的选择,具有较强的稳定性和适应性。     

结合狄利克雷过程和连续隐马尔科夫模型的滚动轴承性能退化评估

针对隐马尔科夫模型(Hidden Markov model,HMM)定义中状态数必须预先设定的不足,提出了一种基于狄利克雷过程(Dirichlet process,DP)和连续隐马尔科夫模型(Continuous hidden Markov model,CHMM)的滚动轴承性能退化评估方法。该方法基于DP扩展混合模型(Dirichlet process mixture model,DPMM)良好的聚类特性和分层狄利克雷过程(Hierarchical Dirichlet process,HDP)的分层共享原理,利用多组状态特征值,获得了轴承的运行状态数,解决了CHMM模型结构设置的问题,实现了滚动轴承运行中的退化状态识别和性能评估。利用美国USFI/UCR智能维护中心轴承全寿命试验进行了应用研究,并与基于Kolmogorov-Smirnov(K-S)检验的滚动轴承性能退化评估进行了对比。结果表明,结合狄利克雷过程和连续隐马尔科夫模型的算法能有效地监测滚动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参考。     

基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法

基于数据驱动思想,提出了一种相同工况下的滚动轴承寿命预测方法。针对轴承全寿命监测数据,根据K-means聚类算法划分轴承运行状态空间,考虑到隐马尔科夫模型主链为状态链的不足,对状态转移矩阵重新定义,将主链改进为寿命链,建立了基于改进HMM的全寿命状态驻留时间模型;将观测轴承数据、实时与建模数据进行Pearson相似度分析,构造寿命比例调节系数,实现寿命模型参数的动态修正和观测轴承寿命的自适应预测。采用美国辛辛那提大学实验中心轴承试验数据开展了应用研究,通过一组轴承全寿命数据实现了对其它轴承不同阶段及全寿命的预测,与传统的隐马尔科夫模型、灰色模型预测等方法预测结果相比,所提算法兼具较好的预测准确性和模型的泛化性。