AIS-、HMM混合模型在機(jī)械故障診斷中的應(yīng)用研究.pdf

1、隨著工業(yè)化進(jìn)程的加快，機(jī)械的運(yùn)用已經(jīng)很普遍，機(jī)械的結(jié)構(gòu)也更加復(fù)雜。而機(jī)械作為企業(yè)生產(chǎn)中的關(guān)鍵設(shè)備，一旦發(fā)生故障，將會(huì)給企業(yè)帶來(lái)經(jīng)濟(jì)損失、甚至更加嚴(yán)重的后果。由于機(jī)械在企業(yè)中的關(guān)鍵作用，機(jī)械故障診斷技術(shù)已成為各國(guó)的研究熱點(diǎn)之一。傳統(tǒng)的診斷技術(shù)有噪聲監(jiān)測(cè)、油液監(jiān)測(cè)、無(wú)損探傷、振動(dòng)監(jiān)測(cè)和性能趨勢(shì)分析等。智能技術(shù)在故障診斷中也有廣泛應(yīng)用，如人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法等。這些診斷技術(shù)在機(jī)械故障的診斷中發(fā)揮了巨大的作用。但是單一診斷技術(shù)的診斷

2、能力較弱、準(zhǔn)確性較差。隨著機(jī)械故障的復(fù)雜程度不斷變大，故障信號(hào)互相重疊，多種故障同時(shí)出現(xiàn)，故障的不確定性等給故障診斷帶來(lái)了非常大的困難。針對(duì)這些問(wèn)題，本論文提出了一種新的解決思路，即將人工免疫系統(tǒng)(Artificial Immune System， AIS)和隱馬爾可夫模型(Hidden MarkovModels，HMM)進(jìn)行混合，并應(yīng)用到機(jī)械故障診斷系統(tǒng)中。
　　在該混合模型中，充分利用了AIS和HMM的互補(bǔ)性。對(duì)于運(yùn)行比較平穩(wěn)

3、的機(jī)械系統(tǒng)，其積累信息非常有限、故障的樣本不多，通過(guò)AIS來(lái)進(jìn)行在線監(jiān)測(cè)，能夠有效的識(shí)別機(jī)械設(shè)備的工作狀態(tài)，提高診斷方法的在線性能。對(duì)于非平穩(wěn)的機(jī)械系統(tǒng)，根據(jù)HMM強(qiáng)大的模式分類能力，在對(duì)故障進(jìn)行識(shí)別和訓(xùn)練的時(shí)候，從同類訓(xùn)練樣本集中獲取HMM的參數(shù)，每一種HMM都有一種模式與之對(duì)應(yīng)，在需要學(xué)習(xí)一種新的模式的時(shí)候，簡(jiǎn)單地修改相應(yīng)的HMM的類別，不需要更改其它的HMM，可以有效的提高診斷系統(tǒng)的效率。該混合模型通過(guò)兩者的互補(bǔ)性來(lái)提高故障診斷的

4、正確性和對(duì)復(fù)雜情況的學(xué)習(xí)適應(yīng)能力，以便更加及時(shí)的發(fā)現(xiàn)故障。
　　本文中建立了雙層的混合模式，即HMM層和混合層。HMM層的主要功能是應(yīng)用了HMM強(qiáng)大的對(duì)時(shí)間序列進(jìn)行建模的能力，將故障樣本依據(jù)HMM的對(duì)應(yīng)算法來(lái)訓(xùn)練，然后得到故障狀態(tài)的似然率?；旌蠈拥闹饕δ苁菍?duì)HMM層得出的結(jié)果來(lái)進(jìn)行修改糾正，即首先采用AIS的克隆選擇算法來(lái)對(duì)抗體進(jìn)行進(jìn)化，然后通過(guò)HMM的Baum-Welch算法對(duì)抗體再次進(jìn)行進(jìn)化。在該混合模型中把HMM作為識(shí)別的