-
题名基于HDP-HMM的机械设备故障预测方法研究
被引量:6
- 1
-
-
作者
王恒
周易文
瞿家明
季云
-
机构
南通大学机械工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2019年第8期173-179,共7页
-
基金
国家自然科学基金(51405246)
江苏省自然科学基金(BK20151271)
+2 种基金
南通市应用基础研究-工业创新项目(GY12016010)
江苏省研究生科研创新计划项目(KYCX17_1913)
江苏省"六大人才高峰"高层次人才资助项目(2017-GDZB-048)
-
文摘
针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。
-
关键词
分层狄利克雷过程-隐马尔科夫模型(hdp-hmm)
退化状态
故障预测
-
Keywords
hierarchical dirichlet process-hidden markov model(hdp-hmm)
degradation state
prognostics
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
-
题名基于非参数贝叶斯谐波阻抗估计的谐波责任区分
被引量:2
- 2
-
-
作者
江友华
刘子瑜
张煜
杨兴武
吴卫民
-
机构
上海电力大学
国网山东省电力公司枣庄供电公司
上海海事大学
-
出处
《浙江电力》
2021年第3期59-65,共7页
-
基金
国家自然科学基金项目(51877130)
上海市科技创新行动计划项目(19DZ1205402)。
-
文摘
线性回归法在背景谐波电压波动的情况下估计谐波阻抗有较大误差,其诸多改进方法又普遍具有局限性。为此,基于非参数贝叶斯估计提出一种普适性方法。将背景谐波电压视为隐变量,用GMM(高斯混合模型)建模,并指出GMM的参数在实际工程背景下的意义;将GMM参数、线性模型参数建模为狄利克雷过程混合模型,并推导出其后验分布;利用马尔科夫链-蒙特卡洛采样方法从后验分布中抽取样本,基于样本进行贝叶斯估计,求解谐波阻抗和背景谐波电压工况数,进而对谐波责任进行评估。将IEEE 14节点测试系统与实测案例结合进行仿真,通过非参数贝叶斯估计法与线性回归法仿真结果的对比,验证了非参数贝叶斯估计法的有效性。
-
关键词
隐变量
高斯混合模型
狄利克雷过程混合模型
马尔科夫链-蒙特卡洛采样
背景谐波电压工况
谐波责任区分
-
Keywords
latent variable
Gaussian mixture model
Dirichlet process mixture model
Markov chain Monte Carlo
background harmonic voltage conditions
harmonic responsibility division
-
分类号
TM744
[电气工程—电力系统及自动化]
-
-
题名基于多示例学习的异常行为检测方法
被引量:11
- 3
-
-
作者
崔永艳
高阳
-
机构
南京大学计算机科学与技术系计算机软件新技术国家重点实验室
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2011年第6期862-868,共7页
-
基金
国家自然科学基金项目(No.61035003
61175042
+4 种基金
60721002)
国家973计划项目(No.2009CB320700)
科技部国际合作专项项目(No.2010DFA110307)
教育部新世纪人才支持计划项目(No.NCEF-10-0476)
江苏省社会发展项目(No.BE2010638)资助
-
文摘
在基于轨迹分析的异常行为检测方法中,被标记为异常的轨迹往往仅在整条轨迹的某个局部存在异常,轨迹的其余部分都是正常行为.然而,传统的基于整条轨迹建模的方法很难检测轨迹的局部异常.针对上述问题,提出一种在多示例学习框架下基于轨迹分段的异常行为检测方法.该方法首先根据轨迹的曲率,将轨迹分割成若干相互独立的子段.然后采用层次狄利克雷过程-隐马尔科夫模型对每个子段建模.最后在多示例学习框架下,以整条轨迹为包,正常轨迹为负包,异常轨迹为正包,轨迹子段为包的示例进行学习.通过实验验证,该方法在准确率和召回率上都优于传统的基于轨迹建模的方法.
-
关键词
异常行为检测
轨迹分段
层次狄利克雷过程-隐马尔科夫模型(HDP—HMM)
多示例学习
-
Keywords
Abnormal Event Detection, Trajectory Hidden Markov Model (hdp-hmm) Segmentation, Hierarchical Dirichlet Process- Multi-Instance Learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-