基于EMD-HMM的BIT间歇故障识别

针对引起机内测试系统(BIT)虚警的间歇故障,提出了一种基于经验模态分解(EMD)和隐马尔科夫模型(HMM)的间歇故障诊断方法以抑制虚警。首先对原始信号进行EMD分解,选择能量最大的几个固有模式分量函数(IMF)进行特征提取,作为系统状态的观测值;然后将观测值输入到训练好的HMM中进行决策,求取最大似然概率值作为识别结果。结果表明,利用EMD进行特征提取并与HMM方法相结合能很好地分类出各种状态,有效地诊断出间歇故障。

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。

基于EMD多尺度威布尔分布与HMM的轴承性能退化评估方法

轴承作为旋转机械中的重要部件,对其性能退化状态进行准确评估是开展预测性维护的重要前提。针对现有性能退化指标在鲁棒性和敏感性上的不足,提出一种基于多尺度威布尔分布与隐马尔可夫模型(Hidden Markov model,HMM)的滚动轴承性能退化评估方法。首先,采用经验模态分解(empirical mode decomposition,EMD)对轴承振动信号进行多尺度分解,将轴承振动数据分解到不同尺度的本征模态分量(intrinsic mode function,IMF)中;然后,通过峭度指标选取故障特征信息明显的IMF分量,并对各个IMF分量进行滑动窗口威布尔分布拟合,提取多尺度威布尔形状参数作为性能退化特征;最后,将轴承正常状态下退化特征参数输入隐马尔可夫模型(Hidden Markov model,HMM)进行训练,建立性能退化评估模型,从而实现轴承性能退化评估。试验结果表明,该评估方法可以有效反映轴承的性能退化趋势,与其他相关方法相比,该方法能够及时识别到轴承早期故障,并且具有较强的稳定性。

基于ESN延拓与HMM修正的端点效应处理及其应用

近来年,经验模态分解(Empirical Mode Decomposition,EMD)以其优异的自适应性获得广泛关注,但端点效应影响了信号分解的性能并使结果失真。针对现有的抑制算法受限于延拓准确性或运算效率,难以快速给原序列添加更符合内部信息和端点特征的极值点的问题,提出了基于回声状态网络(Echo State Network,ESN)延拓与隐马尔科夫模型(Hidden Markov Model,HMM)修正的端点效应处理方法(ESN-HMM)。首先借用复杂度较小、训练简单且准确性较高的ESN网络对原序列进行初步预测,然后通过经典的统计方法HMM对误差序列进行建模和估计,最后将初步预测值与估计误差相结合得到校正后的延拓序列。仿真和实验结果表明,经过ESN-HMM处理的EMD方法能够有效提取出信号幅值和频率的时变特征,为旋转机械的信号处理和故障诊断提供了前提条件。

基于经验模态分解分析和隐马尔可夫模型识别的咳嗽音检测

咳嗽是众多呼吸道疾病中常见的重要病症之一,其强度和发生频率提供了极其重要的临床信息。为利用这些信息,必须把咳嗽音从其他声音例如语音、清喉音、清鼻音等中分辨出来。我们提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)分析的咳嗽音检测方法。该方法通过应用EMD的自适应滤波器组特性,提取信号的频域能量分布以统计分析咳嗽音及语音等特征,进而找到优化特征提取的方法,并利用隐马尔可夫模型(Hidden Markov model,HMM)进行咳嗽音的检测。临床数据的实验表明,该优化方法能有效提高咳嗽音检测的正确率。