基于隐半Markov模型的故障诊断和故障预测方法研究

隐半Markov模型(HSMM)是隐Markov模型(HMM)的一种扩展形式,通过在HMM结构中加入状态驻留时间分布参数,克服了HMM假设状态驻留时间服从指数分布的不足。HSMM不仅具有较强的模式分类能力,而且能对实际问题中的状态驻留时间进行合理建模,故既可用于故障诊断,又可用于故障预测。分析了利用HSMM进行故障诊断和预测的框架;并针对传统HSMM建模算法计算量和存储空间都比较大的缺点,引入并改进了一种快速递推算法,降低了计算复杂度和存储空间要求;最后将HSMM应用于直升机齿轮箱轴承故障诊断和GaAs激光器剩余使用寿命(RUL)预测,试验结果证明了这种方法的有效性。

基于情绪向量的隐半马尔可夫模型股市拐点预测方法

股市的情绪化倾向是股票市场具有高度不确定性的主要原因,直接利用历史数据的股票趋势预测方法难以适应市场情绪的多变性,在实际应用中效果不理想。文章针对市场情绪的不稳定性导致股市拐点难以预测的问题,提出一种基于情绪向量的隐半马尔可夫模型股市拐点预测方法(hidden semi-Markov model stock turning point prediction method based on sentiment vector,SV-HSMM)。针对市场情绪不可观察性,选取与市场情绪相关的主要特征,使用马尔可夫毯融合成市场情绪;利用隐半马尔可夫模型建模市场环境,构建市场情绪、市场状态和状态持续时间之间的结构关系;引入情绪向量平滑情绪的多变性,并利用Kullback-Leibler(KL)距离量化情绪热度;利用隐半马尔可夫模型的动态推理实现股市拐点预测。结果表明情绪向量方法具有更好的预测效果。

基于隐半马尔可夫模型的微震信号分割方法

微震监测系统采集到的连续微震信号中往往包含着多种微震事件,为了对各种事件做进一步的分析,如微震事件识别与分类、微震源定位等,对微震信号的分割进行研究是首要前提。针对此问题,提出了一种基于隐半马尔可夫模型(hidden semiMarkov model, HSMM)的微震信号分割方法,该方法将微震信号中有无微震事件发生视为HSMM中的状态转换过程,并考虑状态的持续时间。首先提取预处理后微震信号的香农能量包络作为特征,对应HSMM中的观测序列,然后对训练集信号使用Baum-Welch算法估计出HSMM最优参数,接着使用维特比算法预测待分割微震信号的状态序列,最后基于状态序列完成信号分割。使用来自实验室和隧道开挖工程中的微震数据验证了方法的有效性,对比方法为长短时窗比值(STA/LTA)算法和AIC拾取算法。实验结果表明,不论是初至时刻拾取还是结束时刻拾取,HSMM均取得了最好效果,平均拾取误差分别为5.44 ms和17.70 ms,且初至拾取误差在10 ms及20 ms内的占比分别为79.3%和100%。在对连续微震信号的分割实验中,HSMM的拾取效果也优于STA/LTA算法,初至时刻和结束时刻的平均拾取误差分别为3.55 ms和27.11 ms,优于STA/LTA算法的4.00 ms和167.88 ms。

基于隐马尔可夫模型的半结构化文本信息抽取研究

随着互联网和信息技术的快速发展,大量的文本数据在互联网上被生成和存储,这些文本数据包含了丰富的信息。然而,大部分文本数据都是半结构化的,即数据的组织结构不完整或不规则,不适合直接进行分析和处理。因此,半结构化文本信息抽取成为了一个重要的研究领域,文章基于隐马尔科夫模型对半结构化文本信息的抽取进行研究。

基于互Box-Cox变换和Markov链风速云模型的发电系统充裕度评估

为准确计及风速随机性和自相关性对风电并网系统充裕度的影响,建立基于互Box-Cox变换和Markov链的风速云模型,并将该模型与时序Monte Carlo模拟法结合,提出计及风速随机性和自相关性的风电并网系统充裕度评估方法。仿真结果表明,所提模型产生的仿真风速样本与实测风速样本具备相似的概率分布特性和自相关性,所提方法可较精确地评估风电并网系统充裕度及风电容量可信度。

非牛顿流固耦合问题的半隐式分区ALE有限元-间断有限元耦合算法研究

针对非牛顿流固耦合问题,提出了任意拉格朗日-欧拉(arbitrary Lagrangian-Eulerian,ALE)框架下的半隐式分区有限元-间断有限元耦合算法。其数学模型主要包括非牛顿流体和固体结构的控制方程,以及流体-固体交界面上的边界条件。固体结构由弹性材料组成,非牛顿流体由幂律型本构模型描述。用分裂格式对非牛顿流体控制方程进行解耦,得到若干子方程;通过有限元、间断有限元方法求解对应恰当类型的子方程。用中心差分及标准有限元方法分别对固体结构弹性动力学方程进行时间和空间离散;用修正的Laplace移动网格方法处理固体结构的形变及流体区域网格的变化过程。最后用数值算法研究了带有圆弧顶端梯形结构体的非牛顿流固耦合问题,并详细分析了结构体高度、入口速度及流体特性等因素对流固耦合问题的影响及机理。

基于隐Markov模型的重型数控机床健康状态评估

为了辅助重型数控机床的综合健康状态评估,从性能劣化角度出发,建立基于多性能参数多观测序列的隐Markov健康状态评估模型,改进了以往基于单性能参数的隐Markov模型不能准确描述机床健康状态的问题。针对隐Markov模型的参数初始化难题,通过K-means方法进行参数聚类分析,使初始化参数趋向于全局最优解;由于单性能参数不能完全描述机床状态的隐含信息,提出一种基于多性能参数多观测序列值的隐Markov模型训练算法。通过某重型数控机床滚珠丝杠的健康状态评估实例,获取了滚珠丝杠的健康状态变化趋势,验证了方法的可行性和有效性。

隐Markov模型及其在慢性病流行病学研究中的应用

目的探讨隐Markov模型在慢性病流行病学研究领域中的应用。方法以2型糖尿病为例,应用多状态隐Markov模型对2型糖尿病的影响因素进行分析。结果采用隐Markov模型分析2型糖尿病不同发展阶段的影响因素取得了较为满意的效果。结论隐Markov模型是探讨慢性病影响因素的有效工具,在慢性病流行病学研究中具有广阔的应用前景。

基于改进遗传算法和隐Markov模型的协议异常检测方法

针对现有基于隐Markov模型的协议异常检测方法中存在的训练样本不足和初始参数敏感问题,提出一种基于改进遗传算法和隐Markov模型的协议异常检测新方法。首先,采用局部竞争选择策略、算术交叉算子和自适应非均匀变异算子改进遗传算法,避免传统遗传算法在收敛过程中的早熟和停滞问题;然后,利用改进的遗传算法优化隐Markov模型的初始参数,解决模型对初始参数敏感的问题;最后,以协议关键词和关键词时间间隔作为训练观测值,细粒度地描述协议行为,扩大模型的训练样本空间。在DARPA 1999数据集上的实验结果表明,该方法具有很高的检测率和较低的误报率。

基于隐Markov模型的微径铣刀磨损监测

以微径铣刀磨损程度的识别为研究对象,考虑可能出现的单齿切削现象,建立了刀具磨损的隐Mark-ov模型。模型首先判断刀具在稳态切削情况下是否出现单齿切削现象,随后以小波分解的方式分别提取切削力特征。通过Fisher线性判别提取8个最优的切削力特征,作为隐Markov模型训练的输入向量。对于多组切削参数为单齿切削和两齿交替切削,分别训练三个不同磨损阶段的隐Markov模型,用以识别刀具真实磨损状态,并通过Euclidian线性判别确定最适应的识别模型。实验结果表明,该方法能够准确识别微径铣刀磨损状态,准确率在85%左右。

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Volterra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Volterra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态。提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷。最后,将提出的方法应用到旋转机械故障诊断中。实验结果验证了该方法的有效性。

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。

基于AR的二维隐Markov模型离心泵故障诊断方法

离心泵速度变化过程的振动信号具有信息量大、非平稳、重复再现性不佳等特点,二维隐Markov模型(2D-HMM)很适合处理此类信号。利用AR谱不受数据长度的限制,AR模型参数对状态变化规律反映敏感的特点,以振动信号做自回归变换后的AR谱系数作为特征向量,将基于AR的2D-HMM引入到离心泵故障诊断中,提出了一种基于AR的2D-HMM故障诊断方法,并论述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过2BA-6A离心泵试验系统验证了方法的有效性。

应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加了0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principalcomponentanalysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取。因子隐Markov模型是隐Markov模型的扩展,它比隐Mark-ov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析。文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器。并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显。

人脸识别中嵌入式隐Markov模型结构的优化算法研究

提出了一种优化嵌入式隐Markov模型状态数的搜索算法,并且由此算法得到改进的嵌入式隐Markov模型结构。实验证明,这种结构既能提高人脸的识别率,最高可达到100%,又比传统的结构减少30%左右的训练时间和识别时间。

基于隐Markov模型的RNA二级结构预测新方法

有效预测RNA二级结构是生物信息学中的重要研究领域.提出一种基于隐Markov模型预测RNA二级结构的新方法.首先,应用前后缀匹配算法快速找到所有可能(包括假结)的茎区,建立RNA-HMM,寻找最优的茎区组合方法,得到包含假结的RNA二级结构.实验结果表明,提出的新方法降低了计算复杂性,提高了预测的特异性和敏感性,具有较高的准确率,可以预测RNA的假结结构.

基于非线性时序模型盲辨识的因子隐Markov模型识别方法

基于模型辨识的机械有效故障特征提取方法中输入信号难以确定,以及机械设备运行过程中具有信息量大、非平稳、特征重复再现性差的特点,结合非线性时序模型盲辨识和因子隐Markov模型,提出一种基于非线性时序模型盲辨识的特征提取的因子隐Markov模型识别方法,并应用到旋转机械升降速过程故障诊断中。同时还与基于Fourier变换、小波变换的特征提取的因子隐Markov模型识别方法进行比较,试验结果表明该方法是有效的。

基于自适应隐式半马尔可夫模型的设备健康诊断与寿命预测方法

针对设备健康诊断与寿命预测问题,提出一种基于自适应隐式半马尔可夫模型(AHSMM)结合多传感器信息的设备健康预测方法。提出了AHSMM的前向—后向算法、Viterbi算法和Baum-Welch算法,有效降低了模型的计算复杂性。利用最大似然线性回归训练对输出概率分布和驻留概率分布进行自适应训练,处理多传感器信息间的差异性,进行有效的多传感器信息融合,以更加准确地进行设备健康诊断与寿命预测。利用失效率理论建立了对设备剩余使用寿命进行预测的基本步骤。通过美国卡特彼勒公司液压泵的状态识别和健康预测实际案例对所提出的方法进行评价与验证,实验结果表明,基于AHSMM的设备健康诊断和性能衰退预测方法比传统的隐式半马尔可夫模型(HSMM)更有效。

基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。