基于AR-HSMM的設備故障診斷與預測研究.pdf

1、近年來，隨著計算機技術、傳感器技術、信號處理技術以及人工智能等科學技術的迅速發(fā)展，CBM (Condition Based Maintenance)作為一種先進的設備維護理念，在復雜程度高和貴重設備（裝備）維修領域引起了越來越大的重視，對其關鍵技術即故障診斷和預測的研究就變的非常必要。一種稱為HMM(Hidden Markov Model)的模式識別技術和其拓展模型近年來在許多領域得到了廣泛的應用。但是，由于HMM及其拓展模型的許多假設

2、并不符合實際情況，從而影響了診斷和預測效果。本文從對HMM及其拓展模型約束條件的松弛研究入手，在AR-HMM(Auto-Regressive Hidden Markov Model)和HSMM(Hidden semi-Markov Model)基礎上進行了新的研究，提出了基于AR-HSMM(Auto-Regressive Hidden semi-Markov Model)的故障診斷和預測模型。本文主要在以下幾個方面進行了研究：

3、1、從在故障診斷中常用的HMM和HSMM的各自優(yōu)缺點分析入手，綜合以上兩種模型的優(yōu)點，提出了AR-HSMM，并給出了新的前向變量和后向變量算法以及參數重估公式，然后對AR-HSMM的初始化問題，即結構類型選擇和隱藏狀態(tài)數目，以及初始概率分布等問題，進行了研究和探討。論文還給出了將AR-HSMM應用于故障診斷中需要使用的矢量量化方法和AR-HSMM在故障診斷中的應用流程。 2、針對目前HMM在設備剩余有效壽命預測研究文獻非常有限的

4、情況，在基于AR-HSMM診斷研究的基礎上，本文提出了一個基于AR-HSMM的剩余壽命預測模型，即基于壽命的Markov模型，并給出了該模型的參數估計公式，以及使用該模型的計算流程。 本文對文中所提出的2種算法都進行了實例研究，針對基于AR-HSMM的模型的診斷問題，設計了四個實驗進行比較，即模型隱藏狀態(tài)數目不同情況下的識別率比較和AR-HSMM與HMM的識別率比較，針對本文改進的Markov模型，與普通Markov 模型的預測