一类广义隐马尔科夫模型的建模与参数估计(英文)

隐马尔科夫模型在很多方面已有广泛应用 .讨论了一类更为一般的模型 ,这类模型由WojciechPieczynski首次提出 ,并且给出了在图像识别中的应用 .这里首次给出在离散观测和离散状态下该模型的精确数学描述 ,其中包括建模、状态估计和参数估计 。

广义隐马尔科夫模型在轴承温升预测中的应用

将广义区间概率与隐马尔科夫模型结合,建立了广义隐马尔科夫模型,使之具有更好的鲁棒性和处理2类不确定性问题的能力,并成功用于滚珠丝杠进给系统的轴承温升预测。结果表明,广义隐马尔科夫模型能够根据历史信息对轴承的温升进行预测。

基于小波包分解与广义隐马尔科夫模型的机车牵引座裂纹状态识别

牵引座作为连接机车车体和转向架、承受传递机车纵向力的重要部件,其状态影响着机车的安全。文中针对机车牵引座正常、小裂纹故障、大裂纹故障等3种状态,提出了一种基于小波包分解(WPD)与广义隐马尔科夫模型(GHMM)的状态识别方法:通过db5小波包分解方法对机车牵引座的振动信号进行特征提取,同时结合时域敏感特征组成时频敏感特征向量,由模态区间不确定性分析方法构建模态区间特征向量,最后通过模态区间与隐马尔科夫模型组成的广义隐马尔科夫模型进行状态识别。识别结果表明,针对牵引座的3种不同状态,广义隐马尔科夫模型识别方法相较于传统的隐马尔科夫模型有更高的识别率,而且由于输出结果的模态区间形式包含更多的信息,使机车牵引座裂纹状态结果更加可靠。

机床相对动柔度劣化趋势预测研究

在机床的连续使用过程中,其相对动柔度第一阶固有频率、最大相对动柔度、平均相对动柔度和品质系数COM均会发生不同程度的改变,因此,对机床相对动柔度劣化趋势进行预测研究就具有非常重要的意义。然而,由于机床相对激振实验会影响机床的正常使用,很难获取大量的机床相对动柔度数据。为解决实验数据的小样本问题,采用广义隐马尔科夫模型(Generalized Hidden Markov Model,GHMM)以及重心法进行机床相对动柔度劣化趋势研究。结果表明:和隐马尔科夫模型(Hidden Markov Model,HMM)相比,GHMM具有更高的预测精度,可以很好地解决小样本问题;各个评价指标的准确预测,可以大大减少复杂的相对激振实验次数,快速地得到机床相对动柔度劣化趋势。

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。