旋转机械启动全过程DHMM故障诊断方法研究

旋转机械启动过程中的振动信号包含有重要的参考信息 ,研究该过程中的旋转机械运转状况 ,有助于发现存在于系统中的早期故障。根据离散隐 Markov模型 (DHMM)的建模理论 ,对旋转机械启动过程的振动谱矢量序列进行标量量化处理 ,并建立了各种模拟故障的 DHMM进行故障分类尝试。实验证明 。

基于GA改进DHMM和KPCA-RS的滚动轴承智能诊断方法研究

为实现滚动轴承故障智能诊断,提出了一种基于核主元分析法(KPCA)、粗糙集(RS)和遗传算法(GA)改进离散隐马尔科夫模型(DHMM)的智能诊断方法。通过使用混合核函数的KPCA和RS对时域、频域参数进行约简,构造敏感性高、稳定性强,并能准确表征轴承状态的特征参数矩阵。应用GA优化了DHMM,克服了DHMM训练算法容易陷入局部极小的缺点。最后应用GA优化的DHMM训练算法得到的滚动轴承各状态下的DHMM,并通过比较测试样本在各DHMM下的对数似然概率,实现了轴承故障类型的有效识别。实验结果表明,该方法可以有效地识别滚动轴承的状态,具有较强的适用性。

基于进化计算的DHMM训练方法

隐马尔柯夫模型 (HMM)的传统训练方法—— Baum-Welch算法只能得到一个局部最优模型 ,从而影响最终的识别率。对于 CHMM,分段 K平均方法来取得一个初始值可以解决这一问题 ,但对 DHMM却改进不大。而基于全局搜索的进化计算的一个重要特点便是可以得到次优解乃至全局最优解。本文把进化计算引入到DHMM的训练中去 ,提出一种改进的进化训练方法 ,实验结果表明 ,这种训练方法初具了全局搜索和快速收敛的特点 ,得到的模型优于传统方法和直接用进化计算所得的模型 ,提高了系统的识别率。

基于P2DHMM的人脸识别算法

基于隐马尔科夫模型(HMM)人脸识别算法,将改进的伪二维隐马尔科夫模型(P2DHMM)算法应用于ORL人脸库。在Visual C++6.0平台下进行的实验表明,P2DHMM算法在保证较高识别精度的同时,极大地提高了人脸识别速度。

公交车乘客流量自动计数的P2DHMM技术研究

我国一些大中城市公交车运营管理采用了无人售票的刷卡系统管理,但是自动刷卡系统不能够满足车辆调度、运营规划等公共交通管理的要求,为了获取乘客流量的实际数据,开发高精度自动记数模型成为当前的热点和技术难点。我国现有乘客流量统计系统的精度在80%左右,造成精度问题的主要原因是在乘车高峰时段拥挤的状态背景条件下,一般模式识别算法和模型设计难以准确将单个人体识别和分割出来,为此,在充分调研的基础上,设计了采用普通数码摄像机和模板匹配方案,选择实验了先进的P2DHMM模型,模拟实验结果证实,该方法具有稳定的识别性能,为真实条件下的实验奠定了良好的基础。

基于DHMM的嵌入式语音识别系统的实现与优化

为满足在嵌入式系统上实现非特定人的语音识别需求,介绍一种采用离散隐马尔科夫模型(DHMM)的嵌入式语音识别系统的实现方法。设计出一种在嵌入式系统上完成语音识别功能、在PC系统上完成模板训练功能的软件架构。针对TMS320VC5509A处理器的特点,对识别软件进行实现和优化。根据语音信号不可逆的特点,提出一种优化的viterbi算法。实验结果表明,在保证识别率的条件下系统取得了200 ms以内的实时响应速度,具有很高的实用性。

基于EMD和DHMM的刀具故障诊断

为了有效监测刀具的磨损状态,提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解,得到若干固有模态函数(IMF),选取前几个能量较大的IMF进行标量量化处理得到特征向量后,作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外,通过与支持向量机(SVM)故障诊断方法进行比较,结果表明,EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。

基于SVD-LMD与DHMM在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号微弱难以提取和故障类型不易判别的缺点,提出了基于奇异值分解(SVD)-局部均值分解(LMD)与离散隐马尔可夫模型(DHMM)的滚动轴承故障类型识别方法。首先,对经过相空间Hankel矩阵重构的原始声学信号进行SVD降噪得到特征信号,再运用LMD对特征信号分解而产生一系列的乘积函数(PF),为去除LMD分解过程中产生的虚假分量,选择与特征信号相关系数值较大的PF并构建特征向量T以完成信号特征提取。最后,将T进行量化后作为特征观测值输入已训练收敛的DHMM模型进行故障状态识别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于SVD-LMD与DHMM的滚动轴承故障诊断模型在声学信号下对早期滚动轴承的故障具有较高的识别率。

人工蜂群算法改进DHMM的语音识别方法

针对离散隐马尔可夫(Discrete Hidden Markov Model,DHMM)语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题,采用人工蜂群(Artificial Bee Colony,ABC)算法对语音特征参数进行矢量量化,从而得到最优码书,提出了ABC改进DHMM的孤立词语音识别方法。先提取语音信号的特征参数,然后用ABC算法中每个食物源表示一个码书,以人工蜂群进化的方式对初始码书进行迭代而获得最优码书,最后把最优码书的码矢标号代入DHMM模型进行训练和识别。实验结果表明,ABC改进的DHMM语音识别方法与传统的LBG及粒子群优化初始码书的LBG的DHMM语音识别方法相比具有较高的识别率和较好的鲁棒性。

基于DHMM的低心率变异性心音的分割方法

针对现有心音定位分割方法精度有限的难题,提出了一种对心率变异性较低的信号建模分割方法。首先,通过集合经验模态分解(Ensemble empirical mode decomposition,EEMD)使用有效的本征模态函数(Intrinsic mode function,IMF)分量来表征心音信号,提高心音信号的可分析性;然后,通过基础心音与非基础心音间的高斯约束关系建立高斯混合模型(Gaussian mixture model,GMM);接着,优化隐马尔可夫模型(Hidden Markov model,HMM)并建立基于时间相关性的隐马尔可夫模型(Duration-dependent hidden Markov model,DHMM),更简洁地描述分割模型,降低算法复杂度;最后,通过时域特征区分出s1,收缩期,s2和舒张期。将本文算法与经典Hilbert算法和逻辑回归的隐半马尔科夫模型(Logistic regression hidden semi-Markov model,LRHSMM)算法进行了对比,实验结果表明,本文算法的检出正确率和运算耗时等评价指标更优。

基于DHMM的语音识别算法及DSP实现

针对非特定人孤立词的快速高精度语音识别问题,在分析语音信号特征和离散隐形马尔科夫模型(DHMM)原理的基础上,提出了一种基于DHMM快速语音识别算法。算法首先对语音信号进行预处理和端点检测以提取有用信号,进而完成语音特征参数提取和矢量量化,最后采用DHMM模型利用Viterbi搜索算法实现语音识别;在训练阶段需要完成码本设计和DHMM模型参数的生成;采用ADI公司Blackfin系列BF533芯片对识别算法进行DSP实现。理论分析和仿真结果表明,在日常环境条件下算法的识别正确率达97.5%,且DSP运行时间小于10 ms。

基于ELMD与DHMM的风机齿轮箱故障诊断方法

针对风机齿轮箱早期故障信号信噪比低且故障难以准确诊断的问题,提出了基于集合局部均值分解(ELMD)与离散隐马尔科夫模型(DHMM)的风机齿轮箱故障诊断方法。首先对风机齿轮箱故障振动信号进行ELMD分解,得到一系列的乘积分量(PF),再对每个PF与原始信号求取相关系数进而滤除噪声信号以及由分解引起的虚假分量,然后对新信号进行标量量化处理得到特征向量,最后将每种状态下的特征向量输入已训练收敛的离散隐马尔科夫模型库进行状态判别并得出诊断结果。实验结果表明,对于风机齿轮箱早期故障诊断,所提出的方法具有一定的有效性和实用性。

一种改进的DHMM语音识别算法的DSP实现

对多种隐马尔可夫模型算法进行了分析对比,在此基础上设计了一种改进的离散隐马尔可夫模型(DHMM)算法,并将此算法成功运用到了DSP嵌入式语音识别系统中.该系统采用上述算法完成了对非特定人的孤立词语音识别.该系统以ADSP-BF531语音处理专用DSP为核心,并辅以大容量的SDRAM和ROM为扩展,具有小型、高速、可靠、鲁棒性好、扩展性强等多个优点;可应用于许多特定场合,有很好的市场前景.试验结果表明,该系统对非特定人的孤立词的综合识别率在94%以上.对该系统应用的改进的DHMM算法,硬件的实现过程以及其实际应用效果等进行了详细阐述.

DSP环境轴承故障DHMM音频信号诊断方法

针对目前轴承在线式监测与故障检测系统价格昂贵,安装调试及维护困难而不适合中小型设备故障诊断的问题,本文提出了DSP环境下的轴承故障DHMM音频信号诊断方法,利用了音频信号采集方便、成本低廉,不会破坏设备原有机械结构的特点,而且首次将DHMM方法和音频信号方法和具有强大数据处理能力的DSPs相结合,应用于轴承故障检测与诊断,并对MFCC特征参数的提取和DHMM模型的训练方法作出了改进。实验结果表明效果良好,切实可行,具有很好的应用前景。

基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。

基于DHMM和SVM的机械密封端面接触状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。

基于DHMM的滚动轴承故障诊断

针对传统神经网络模型训练时需求的样本量大、训练收敛速度慢、甚至不能完成训练的问题,提出一种具有良好分类能力的模式识别方法——离散隐马尔可夫模型(DHMM)。以滚动轴承为研究对象,对振动信号进行分帧处理,通过小波包分解方法得到其特征参数,再由主成分分析方法 (PCA)对特征参数进行降维优化,利用简化后特征参数矢量训练各轴承状态的DHMM,最后由训练好的DHMM实现滚动轴承运行状态监测与故障诊断。实验研究表明:该方法能够有效地实现滚动轴承的状态识别,并且需要的样本量少,训练速度快,对实现滚动轴承运行状态的智能化在线监测具有重要的意义。

DHMM在机械设备音频识别中的应用

为了对现场机械或设备进行监控、诊断和识别,以音频为监控手段,引入矢量量化(VQ)算法并建立机械设备音频的离散隐Markov模型(DHMM)。特征参数采用MFCC,码书设计采用Linde-Buzo-Gray(LBG)算法;推导出Baum-Welch算法参数重估的多观察序列的最简标定形式;分析了多种HMM类型,提出了适合机械设备音频的HMM。实验在22种音频中进行,识别准确率在97%以上,证明了方法的有效性。

基于DHMM和VQ的关键词识别系统研究

针对现有关键词识别系统采用很难用硬件电路准确描述的连续隐马尔可夫模型CHMM作为识别模型,提出用离散隐马尔可夫模型DHMM作为系统的识别模型,研究了适用于硬件实现的状态机端点检测算法,并通过引入VQ矢量量化模块来保证离散关键词识别系统的识别率和识别速度;根据关键词训练模型,分析所采集语音信息中是否存在指定的关键词并进行准确识别。实验结果表明,该算法在便于硬件实现的基础上,具有良好的识别率和实时性,为关键词识别系统的FPGA硬件电路实现研究提供了参考。