基于HDP-HMM的机械设备故障预测方法研究

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。

基于非参数贝叶斯谐波阻抗估计的谐波责任区分

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。

基于多示例学习的异常行为检测方法

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.