基于無限因子隱Markov模型的機械故障診斷方法研究.pdf

1、本論文是在國家自然科學基金(51261024，51075372，51265039，50775208)，江西省教育廳科技計劃項目(No.GJJ12405)，機械傳動國家重點實驗室開放基金(No.SKLMT-KFKT-201514)和廣東省數字信號與圖像處理技術重點實驗室開放課題(2014GDDSIPL-01)資助下展開研究?；跓o限因子隱Markov模型(iFHMM)的獨特優(yōu)勢，將iFHMM引入到機械故障診斷中，提出了基于iFHMM的機械

2、故障診斷方法，并進行了仿真和實驗驗證，取得了比較好的創(chuàng)新性成果。本論文的主要研究內容如下：
　　第1章：論述了本課題的提出及意義，因子隱Markov模型的國內外研究現狀和無限因子隱Markov模型的研究現狀。在此基礎上，給出了本文的主要研究內容與創(chuàng)新之處。
　　第2章：論述了因子隱 Markov模型的基本原理與基本算法，指出了因子隱Markov模型所存在的不足與缺陷。以此為基礎，論述了iFHMM的理論及推導算法。鑒于iFHM

3、M的結構，采用一個二元矩陣進行結構的搭建與建模，引進了印度餐館過程（IBP）與截棍構造模型（Stick-Breaking），以此為基礎對iFHMM進行建模，重點論述了iFHMM的理論算法及其推導過程。
　　第3章：將無限因子隱Markov模型引入到旋轉機械升降速過程的故障診斷中，提出了基于因子隱Markov模型的旋轉機械故障診斷方法，在提出的方法中，利用FFT提取各種典型的轉子故障的1/2、1,2,3,4,5倍頻作為特征向量輸入到

4、各個狀態(tài)iFHMM來進行訓練，得到每個模型產生該序列的概率，其中概率最大的狀態(tài)就代表了當前機組的運行狀態(tài)。同時，提出的方法與傳統(tǒng)的基于因子隱Markov模型的機械故障診斷方法進行了比較，并成功地應用到旋轉機械的故障中，實驗結果表明，iFHMM識別方法和FHMM識別方法都得到了很好的識別效果，然而，在iFHMM識別方法中，隱式Markov鏈條數設定為無窮大，可以通過求極限確定合適的隱式Markov鏈條數，克服了在FHMM識別方法中盲目選擇

5、隱式Markov鏈條數的不足。
　　第4章：結合獨立成分分析(ICA)和iFHMM的各自特點，提出了基于ICA-iFHMM的旋轉機械故障診斷方法，在提出的方法中，利用ICA基殘余互信息（RMI）作為特征提取，消除了多通道之間的信息冗余，iFHMM作為識別器。將提出的方法應用于旋轉機械故障診斷中。同時，與基于ICA-FHMM的旋轉機械故障診斷方法進行對比研究，實驗結果表明，兩種方法都取得了滿意的識別效果，然而，ICA-FHMM識別效

6、果與隱式Markov鏈條數的選擇有很大關系，如何合理選擇，缺乏依據，往往是采用人為試湊方法來選擇。而提出的方法可以自適應地確定隱式Markov鏈條數，克服了FHMM中存在的不足。
　　第5章：針對iFHMM中的模型參數估計的EM算法只能進行局部尋優(yōu)，這樣，容易造成EM算法在早期過早地收斂于局部極值的不足，在此，利用粒子群算法(PSO)具有全局尋優(yōu)的特點，提出了PSO-iFHMM模型。在此基礎上，將提出的模型應用到滾動軸承性能退化研

7、究中，并以基本尺度熵為特征，構造PSO-iFHMM預測模型。同時，與FHMM預測模型、iFHMM預測模型進行對比研究。實驗證明，三種預測模型方法都取得良好的預測效果。然而，FHMM預測模型、iFHMM預測模型存在過學習或欠學習問題，容易陷入局部極小。而在提出的PSO-iFHMM預測模型中，引入粒子群優(yōu)化算法，大大加強了它的尋優(yōu)能力，達到全局尋優(yōu)。
　　第六章，對本論文的研究工作內容進行了全面的總結，并對有必要進行進一步開展研究的工