共查询到19条相似文献,搜索用时 203 毫秒
1.
2.
针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明:使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。 相似文献
3.
为了在工程应用中检索已有的三维CAD模型,以便重用相应零件的设计信息,节省设计和加工成本,提出一种基于小波矩和仿射不变矩特征融合的隐马尔科夫模型(HMM)三维CAD模型归类与检索算法。对三维模型图进行归一化处理,并分别提取归一化图像的小波矩特征值和仿射不变矩特征值;通过K-W检验算法选择出鲁棒性好、稳定性高的组合不变矩特征并进行编码;构造五类三维模型的样本集,将上述特征值作为HMM的输入观测值,通过修正的添加比例因子的多观测序列Baum-Welch(B-W)算法进行模型的训练与识别。将本文算法与其他三种算法进行实验对比,结果表明,本文所提出的算法具有较好的识别率和检索效率,具有一定的实用价值。 相似文献
4.
滚动轴承故障程度诊断的HMM方法研究 总被引:1,自引:0,他引:1
为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。 相似文献
5.
6.
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。 相似文献
7.
《机械强度》2017,(3):511-517
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。 相似文献
8.
9.
综合量子粒子群优化算法(quantum particle swarm optimization,简称QPSO)的全局搜索能力与隐马尔科夫模型(hidden Markov model,简称HMM)良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。 相似文献
10.
主要讨论了用有限元逆算法进行钣金展开计算的方法,并用方盒和叶片的展开设计算例验证了这种方法的有效性。同其它的展开算法相比,有限元逆算法是一种计算精度较高,计算时间短的数值模拟工具。 相似文献
11.
12.
基于DSP的语音识别系统及其结构 总被引:1,自引:0,他引:1
介绍了一种基于TMS320C54xxDSP的语音识别系统及语音端点检测的过程,以及隐尔马柯夫模型(HMM)运用到语音识别的基本原理.最后介绍了TMS320C54xxDSP芯片的一些特点,同时也展现了语音识别技术在今后日常生活中的前景和用途. 相似文献
13.
大型旋转机械升降速过程故障诊断HMM方法研究 总被引:2,自引:0,他引:2
由于大型旋转机械升降速过程产生振动的复杂多样性,对其进行监测能获得较平稳的运行及更多的机组状态信息,并能更早地获知机组运行状态。本文将隐M arkov 模型(Hidden M arkov M odels,简称HMM )引入大型旋转机械升降速过程故障诊断的研究中,利用HMM 刻划升降速过程中的振动变化特征。实验证明应用HMM 能较好、较早地达到机组故障诊断目的。 相似文献
14.
15.
传统风机用单一传感器进行故障的特征提取,不能有效地反映其状态.然而,矢谱技术融合了多通道信息,其反应的信息更全面,结合隐马尔可夫模型(HMM)能够对一个时间跨度上的信息进行统计建模和分类的特点,提出了一种新的诊断方法;并在Matlab 的环境下给出了诊断的实例,表明该方法可以有效地应用于风机的诊断中. 相似文献
16.
17.
基于人体模型的跟踪方法易于实现视频的运动人体跟踪,而且利用较少的视频帧数即可学习获得人体模型。本文针对给出的视频提出了学习人体模型的学习算法。利用片图模型表示未经学习的人体,改进的隐马尔可夫模型(HMM)模拟人体在视频序列各帧间的运动,并使用机器学习方法对该改进的HMM进行推理,获取改进HMM的参数,从而获得所需的人体模型。学习得到的人体模型由包含颜色信息的各人体肢体模板组成。实验显示只用80~90帧包含有人体运动的序列图像,便可学习得到该运动人体的人体模型。结果表明,该学习框架效果明显,可用于快速学习视频序列中的运动人体模型,且可用于学习一人或多人的人体模型。 相似文献
18.