基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,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IMF能量矩和HSMM模型的滚动轴承故障诊断方法

针对滚动轴承振动信号较为复杂以及故障状态难以识别的问题,提出基于本征模态函数能量矩和隐半马尔科夫模型(HSMM)相结合的滚动轴承故障诊断的研究方法,首先利用经验模态分解(EMD)方法具有自适应分解的优点,将振动信号分解成若干本征模态函数(IMF),然后计算本征模态函数能量矩作为故障特征信息,构造特征向量,建立隐半马尔科夫模型对滚动轴承故障状态进行诊断识别。实验表明,该方法可以有效提取滚动轴承的故障特征信息,对四种滚动轴承状态的识别率在90%以上,实现对滚动轴承故障的精确诊断识别。

基于HSMM的机械故障演化规律分析建模与预测

状态维修是工程实践中提出的一个主要问题,故障预测(prognostics)是实现状态维修的核心支撑技术。但是目前故障预测技术研究很少涉及故障演化规律分析与建模,这是进行故障预测研究的基础。文中在分析机械故障形成的一般过程、基本特性与演化规律的基础上,根据故障演变过程退化状态和HSMM(hidden semi-Markov model)的状态都是通过表现来感知的特点,利用HSMM对机械故障演化规律进行建模,并提出基于HSMM的机械故障预测方法,最后将其应用到滚动轴承的故障预测中,验证该方法的有效性。

基于HSMM的两阶段设备缺陷状态识别方法

针对传统马尔可夫模型(HMM)状态停留时间必须服从指数分布假设的不足,提出了一种基于隐半马尔可夫模型(HSMM)的两阶段设备缺陷状态识别方法。首先,通过分析HSMM模型的参数构成及基本特点,并结合两阶段设备的劣化过程特点提出合理的假设条件,建立起用于描述两阶段设备运行状态的HSMM模型;其次,针对HSMM模型的参数估计问题,引入最大似然估计法,并提出了小样本条件下求解状态持续时间的方法;再次,基于建立的HSMM模型,给出了两阶段设备缺陷状态早期识别的计算公式及步骤,通过对状态停留时间的概率估计实现了对缺陷状态的早期识别;最后,通过计算机仿真方法模拟了HSMM模型的建模、参数估计及缺陷状态识别过程,从而验证了该方法的有效性和准确性。

基于离散HSMM的故障预测模型

提出了一种基于离散HSMM的故障预测模型,根据部分观测矢量预测系统下一时刻处于各个状态的概率。结合HSMM的前向—后向(FB)算法,给出了部分观测下HSMM的状态预测算法。将提出的模型应用于减速箱故障预测中,结果表明该方法可以有效地进行故障预测。

基于改进HSMM的设备故障预测方法研究

针对传统隐半马尔科夫模型(HSMM)在故障诊断和预测应用中存在的不足,对传统HSMM做了以下改进:一是将状态持续时间概率分布和监测值概率分布连续化,并假定其服从威布尔分布;二是基于状态开始时间的识别,提出了状态剩余持续时间;三是提出了时变转移概率的概念,给出了各时刻转移概率的计算方法。确立了基于改进HSMM的故障诊断和预测的方法体系,给出了故障诊断判据和设备剩余寿命的计算式。案例研究表明方法是合理有效的。

基于G-AHSMM的设备剩余寿命预测研究

伴随大数据技术和智能制造的快速发展,生产设备的预知维修及多台设备的联合维修决策已成为工业制造业企业备受关注和亟待解决的现实问题。而服役设备剩余寿命的精准预测,又是预知维修决策和联合维修决策的前提。对已有设备寿命预测方法进行比较分析,将隐半马尔可夫模型加以拓展,结合伽马分布,构建设备状态监测数据驱动的剩余寿命预测模型G-AHSMM,给出求解方法,并基于某涡轮发动机的状态监测数据进行验证分析。结果表明:预测模型不仅规避了以往“状态观测值之间相互独立”的不实假设,而且相比传统HSMM具有更高的现实拟合性、求解简捷性和预测精准性,可作为企业预测服役设备剩余寿命的有效工具。

结合SVM和香农能量的HSMM心音分割算法

针对基于逻辑回归的隐半马尔可夫模型中希尔伯特(Hilbert)变换提取的心音包络具有较大毛刺,提出一种结合支持向量机(Support vector machine,SVM)和香农能量的隐半马尔可夫模型(Hidden semi-Markov model,HSMM)心音分割算法。首先采用小波降噪的方法对心音进行降噪,接着根据R峰和T波标记心音,提取香农能量包络等特征,然后对结合逻辑回归模型(Logistic regression,LR)的HSMM相关参数进行训练,并借助Viterbi算法推测出最可能的状态。最后,通过SVM模型识别第一心音S1和第二心音S2。该算法无需设置硬阈值,有效地抑制了噪声,更有助于包络的提取。实验结果表明,提出的算法分割精确度较参考算法得到显著的提升,具有良好的抗噪性能,取得了更好的分割效果。

基于HSMM的船舶机械故障演化预测模型

船舶机械设备运行的可靠性对于船舶整体而言非常重要,随着船舶机械设备复杂程度的提高,机械故障的预测和防范成为研究热点。本文系统介绍SMM马尔科夫模型和HSMM隐马尔科夫模型的原理和应用场景,针对船舶机械故障的演化预测模型进行详细研究。利用HSMM隐马尔科夫模型在随机信号特征提取以及时间概率的准确性优势,对船舶动力系统变速箱的齿轮故障进行预测和诊断,取得了较好的效果。

基于HSMM的铝空电池后期SOC估计

电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。传统的安时法由于累积误差较大始终无法满足精确的SOC估计。该文采用基于隐半马尔可夫模型(HSMM)的SOC预测作为安时法的一个补充,使铝空电池后期估计精度可以得到保障。该模型的每个不同状态产生多组观察值,根据各个状态之间的转换概率以及状态驻留时间可以比较准确地预测后期各个状态下的剩余寿命。经过实验仿真验证,与单一的安时法相比,结合HSMM的SOC估计精度在后期有较大提升。

基于TV-HSMM的海底管道寿命预测

由于海底油气管道的退化状态具有动态不可监测性,为避免穿孔泄露导致管道安全事故,提出了基于TV-HSMM的海底管道腐蚀预测方法。首先,利用海底管道全寿命周期数据建立隐半马尔科夫模型;接着,为适应油气管道实际退化过程,通过与时变矩阵结合的方法改善其状态驻留时间为固定值这一问题;然后,根据油气管道典型退化趋势,将其退化过程划分为3个阶段,并赋予不同的参数值计算得到3种时变转移矩阵;最后,利用某油气管道的全寿命周期数据训练基于时变状态的隐半马尔科夫模型和原模型,预测其剩余寿命。结果表明:改进后基于时变矩阵的隐半马尔科夫模型在原隐半马尔科夫模型的基础上提高了精度,其预测出的油气管道剩余寿命与实际寿命的相对误差显著缩小,为海底油气管道安全平稳运行提供了更好的保障。

基于HSMM的人脸表情识别

针对表情识别中存在人脸关键部位被墨镜、口罩等物体遮掩的问题,提出了一种基于隐半马尔可夫模型(hidden semi-Markov models,HSMM)的人脸表情识别模型。该模型具有每个状态产生多个观察值、允许观察值缺省等特性,据此识别那些由于局部被遮挡或其它原因引起的丢失特征的人脸表情。实验结果表明,该模型提高了部分遮挡人脸的表情识别效果,同时对无遮挡人脸的表情识别也有所改善。

基于HSMM和K-means的纳米孔多级事件检测

提出了一种基于隐半马尔科夫模型(HSMM)和K-means的混合算法,用于对纳米孔数据中出现的多级事件进行分析。通过K-means对检测到的阻断事件进行分析,确定纳米孔信号中的电流幅值水平个数,将其作为HSMM模型的隐状态输入;然后采用HSMM识别多级事件内部的不同水平,确定各水平的幅值和持续时间。最后将算法与Opennanopore软件进行比较,对三级、四级事件进行处理。仿真结果发现:HSMM比Opennanopore软件的准确率高,能够准确对事件进行分级。

基于EMD-HSMM的采煤机轴承故障诊断

针对采煤机在正常工作中经常发生轴承故障的问题,提出一种基于经验模态分解(EMD)和隐半马尔可夫模型(HSMM)的故障识别方法。该方法先用EMD对故障信号进行分解,形成一系列平稳的本征模函数(IMF),并提取包含故障信息的IMF的能量作为特征向量输入到HSMM中对其进行训练。之后用训练好的HSMM分类器对故障进行识别。实验结果表明,采用该方法可以有效地提高故障识别率。

HSMM模型在船舶故障诊断中的研究

HSMM模型具有较强的分析能力,本文将其应用到船舶故障诊断中,并通过本征模态能量矩进行特征提取,最后通过Matlab函数进行实验仿真。实验结果说明,HSMM模型在船舶轴承故障诊断方面识别率高,稳定性强。在今后的研究中,需要着重考虑船舶轴承的损耗时间,以此更加精确地预测出其剩余工作时间。

气化炉耐火砖健康状态诊断和剩余寿命预测

作为气化炉的关键部件,耐火砖的有效厚度及剩余寿命决定着气化炉的性能和运行安全。因此需要为耐火砖制定合理的维护计划,而视情维修(CBM)能降低维修风险和成本,保证气化炉的可靠性,为此聚焦于耐火砖健康状态的准确诊断和剩余寿命的精准预测。构建了气化炉耐火砖健康状态诊断和剩余寿命预测模型,并对某公司气化炉燃烧室实际工况下的耐火砖进行了相关研究。研究过程如下:①用K-均值算法确定模型初始参数,用改进的Baum-Welch算法训练耐火砖各状态对应的模型,用改进的Viterbi算法计算测试序列和各状态模型的对数似然概率并比较大小,其中最大的状态模型对应的状态即为测试序列的状态;②用耐火砖全寿命周期数据训练全寿命周期模型,根据重估后的模型参数预测各状态的剩余寿命;③根据健康状态诊断结果预测耐火砖当前剩余寿命。并将基于HSMM得到的结果与基于HMM得到的结果以及实际值进行了对比分析。结果表明,基于HSMM对耐火砖进行健康状态诊断的正确率达到了95%,大于基于HMM的正确率92.5%;基于HSMM得到的耐火砖各状态剩余寿命预测值全部落入实际剩余寿命区间内,平均正确率达到了81.36%,高于基于HMM的平均正确率71.22%。说明所构建的耐火砖健康状态诊断和剩余寿命预测模型符合气化炉耐火砖的实际退化规律,取得了良好的效果。

基于用户行为的社交网络人格特质识别方法

社交网络已成为人们获取和发布信息的一个重要平台,也是黑客发起网络诈骗的主要场地。大多数黑客在发起网络诈骗之前,首先会判别目标用户的主要人格特点,然后根据主要人格特点制定与其接触的策略。因此,面向社交网络用户的人格特质识别方法的研究对提高用户识别社交网络诈骗能力具有重要意义。提出基于用户的人格特质识别方法。通过构建面向社交网络的人格特质词典提取用户发表或转发文本信息中能反映用户主要人格特质类型的观测值,采用5个具有不同参数值的隐半马尔可夫模型刻画用户在社交网络上发表或转发文本信息的行为过程。在人格特质识别阶段,通过计算每个用户在发表或转发文本信息过程中产生的观测序列相对于模型的平均对数似然概率,以识别用户所属的人格特质类型。在采集的新浪微博数据集上进行实验,结果表明,当假正率为10%时,该方法的总真正率为93.18%,能准确识别用户的人格特质类型。

基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用

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。提出了一种基于小波特征尺度熵-隐半马尔可夫模型(HSMM)的设备退化状态识别新方法。通过小波变换提取小波特征尺度熵,然后构造信号的小波特征尺度熵向量,并以此作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。并且以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,实验结果表明该方法能有效的识别设备的退化状态。

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models,HSMM)的设备退化状态识别新方法。对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念。构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态。