基于状态加权合成的HMM滚动轴承故障诊断

在故障诊断基本原理的理论基础上,使用具有良好识别和抗噪性能的连续高斯混合密度隐马尔可夫模型(CGHMM)进行建模,针对多样本观察值序列问题,详细地描述了一种新的算法状态加权合成的CGHMM训练算法,并将其应用于轴承故障诊断。试验结果表明,平均训练时间为12.859 s,诊断时间为0.189 s,诊断精度为96%。该方法确实有效可行,具有良好的应用前景。

状态加权合成的CGHMM训练算法

为了克服训练数据不足的问题,提出了一种新的方法——基于状态加权合成的连续高斯混合密度隐马尔可夫模型(continuous Gaussian mixture hidden Markov model,CGHMM)训练算法.首先对每一个待合并模型中的每个状态都选定一个权值,当对多个训练样本进行CGHMM参数重估时,每一次迭代过程都分别对每一个训练样本获取CGHMM参数,再使用仅仅取决于状态数的权值加以合并.最后,将此新算法应用于轴承故障诊断,并与经典CGHMM算法进行了比较.实验结果表明,新算法的诊断精度更高,输出概率更好,获得了更优的训练模板.

多样本状态加权合成的CGHMM训练算法

为解决隐马尔可夫模型(HMM)中参数很多,实际当中难以提供足够多训练数据的问题,根据观察值序列的状态分布情况,描述了一种基于状态加权合成的连续高斯混合密度隐马尔可夫模型(CGHMM)训练算法,对多个CGHMM模型进行加权合成,并将此方法应用于轴承故障诊断进行仿真实验。实验结果表明,平均训练时间为12.86 s,诊断时间为0.189 s,诊断准确度为96%。可见,多样本状态加权合成的CGHMM轴承故障诊断方法确实有效可行,具有良好的应用前景。