基于無限因子隱Markov模型的機(jī)械故障診斷方法研究.pdf

1、本論文是在國家自然科學(xué)基金(51261024，51075372，51265039，50775208)，江西省教育廳科技計(jì)劃項(xiàng)目(No.GJJ12405)，機(jī)械傳動國家重點(diǎn)實(shí)驗(yàn)室開放基金(No.SKLMT-KFKT-201514)和廣東省數(shù)字信號與圖像處理技術(shù)重點(diǎn)實(shí)驗(yàn)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(dú)特優(yōu)勢，將iFHMM引入到機(jī)械故障診斷中，提出了基于iFHMM的機(jī)械

2、故障診斷方法，并進(jìn)行了仿真和實(shí)驗(yàn)驗(yàn)證，取得了比較好的創(chuàng)新性成果。本論文的主要研究內(nèi)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(nèi)外研究現(xiàn)狀和無限因子隱Markov模型的研究現(xiàn)狀。在此基礎(chǔ)上，給出了本文的主要研究內(nèi)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(chǔ)，論述了iFHMM的理論及推導(dǎo)算法。鑒于iFHM

3、M的結(jié)構(gòu)，采用一個(gè)二元矩陣進(jìn)行結(jié)構(gòu)的搭建與建模，引進(jìn)了印度餐館過程（IBP）與截棍構(gòu)造模型（Stick-Breaking），以此為基礎(chǔ)對iFHMM進(jìn)行建模，重點(diǎn)論述了iFHMM的理論算法及其推導(dǎo)過程。
　　第3章：將無限因子隱Markov模型引入到旋轉(zhuǎn)機(jī)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(zhuǎn)機(jī)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(zhuǎn)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(gè)狀態(tài)iFHMM來進(jìn)行訓(xùn)練，得到每個(gè)模型產(chǎn)生該序列的概率，其中概率最大的狀態(tài)就代表了當(dāng)前機(jī)組的運(yùn)行狀態(tài)。同時(shí)，提出的方法與傳統(tǒng)的基于因子隱Markov模型的機(jī)械故障診斷方法進(jìn)行了比較，并成功地應(yīng)用到旋轉(zhuǎn)機(jī)械的故障中，實(shí)驗(yàn)結(jié)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(shù)設(shè)定為無窮大，可以通過求極限確定合適的隱式Markov鏈條數(shù)，克服了在FHMM識別方法中盲目選擇

5、隱式Markov鏈條數(shù)的不足。
　　第4章：結(jié)合獨(dú)立成分分析(ICA)和iFHMM的各自特點(diǎn)，提出了基于ICA-iFHMM的旋轉(zhuǎn)機(jī)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(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷中。同時(shí)，與基于ICA-FHMM的旋轉(zhuǎn)機(jī)械故障診斷方法進(jìn)行對比研究，實(shí)驗(yàn)結(jié)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(shù)的選擇有很大關(guān)系，如何合理選擇，缺乏依據(jù)，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(yīng)地確定隱式Markov鏈條數(shù)，克服了FHMM中存在的不足。
　　第5章：針對iFHMM中的模型參數(shù)估計(jì)的EM算法只能進(jìn)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(diǎn)，提出了PSO-iFHMM模型。在此基礎(chǔ)上，將提出的模型應(yīng)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(gòu)造PSO-iFHMM預(yù)測模型。同時(shí)，與FHMM預(yù)測模型、iFHMM預(yù)測模型進(jìn)行對比研究。實(shí)驗(yàn)證明，三種預(yù)測模型方法都取得良好的預(yù)測效果。然而，F(xiàn)HMM預(yù)測模型、iFHMM預(yù)測模型存在過學(xué)習(xí)或欠學(xué)習(xí)問題，容易陷入局部極小。而在提出的PSO-iFHMM預(yù)測模型中，引入粒子群優(yōu)化算法，大大加強(qiáng)了它的尋優(yōu)能力，達(dá)到全局尋優(yōu)。
　　第六章，對本論文的研究工作內(nèi)容進(jìn)行了全面的總結(jié)，并對有必要進(jìn)行進(jìn)一步開展研究的工