基于HSMM的齒輪故障診斷方法研究.pdf

1、智能故障診斷技術(shù)是機(jī)械設(shè)備故障診斷領(lǐng)域的發(fā)展趨勢，作為智能診斷技術(shù)的一種，基于隱馬爾科夫模型的智能故障診斷方法具有極強(qiáng)的對動態(tài)過程時間序列的建模能力和時序模式分類能力，但是這種模型沒有考慮狀態(tài)與狀態(tài)間的關(guān)聯(lián)性。隱半馬爾科夫模型是基于隱馬爾科夫模型基礎(chǔ)上通過引入狀態(tài)駐留時間概率函數(shù)而發(fā)展起來的，其更接近真實情況，在故障診斷領(lǐng)域具有很好的應(yīng)用前景，可以被用于穩(wěn)定運(yùn)行過程中機(jī)械設(shè)備異常狀態(tài)的識別。目前，基于隱馬爾科夫模型的機(jī)械設(shè)備故障診斷已經(jīng)

2、取得了良好的成果，但隱半馬爾科夫模型在故障診斷領(lǐng)域的研究還不是很多，因此，有必要結(jié)合已有成果，研究更加符合實際情況的馬爾科夫故障診斷模型?；诖?，本文圍繞基于隱半馬爾科夫的故障診斷方法及其在齒輪中的應(yīng)用這一問題，對隱馬爾科夫理論及隱半馬爾科夫理論在故障診斷領(lǐng)域展開了研究工作，并以齒輪故障診斷為例進(jìn)行了方法驗證。本文研究的目的是縮小馬爾科夫初值選取范圍，改善馬爾科夫無后效性假設(shè)，尋找能同時處理多故障及退化程度的故障診斷模型，并通過仿真實驗

3、對方法的可行性及有效性進(jìn)行驗證。
　　本研究主要內(nèi)容包括：⑴針對HMM及HSMM模型中觀測概率矩陣B的初值選取問題，在預(yù)測神經(jīng)網(wǎng)絡(luò)和直覺模糊集理論基礎(chǔ)上，提出了基于四分法的隸屬度計算方法，實現(xiàn)了對預(yù)測神經(jīng)網(wǎng)絡(luò)性能的判別，并以此為依據(jù)來確定較合理的矩陣B初值選取范圍，為HMM或HSMM的后續(xù)研究打下了堅實的基礎(chǔ)。⑵針對馬爾科夫無后效性假設(shè)與事實不符的問題，結(jié)合自適應(yīng)濾波理論，提出了基于自適應(yīng)濾波的HMM故障診斷模型，該模型充分考慮了

4、自適應(yīng)濾波在處理歷史信息方面的優(yōu)勢以及HMM模型良好的動態(tài)建模能力及性能，以齒輪故障診斷為例，通過仿真驗證了該模型的可行性和有效性。⑶針對HMM模型狀態(tài)間指數(shù)分布的不合理性以及Baum-Welch算法訓(xùn)練過程中不包含它類信息而使得HMM模型不能處理多故障的問題，在對人工神經(jīng)網(wǎng)絡(luò)和隱半馬爾科夫模型進(jìn)行分析的基礎(chǔ)上，構(gòu)建了由多個子網(wǎng)絡(luò)構(gòu)成的分級診斷網(wǎng)絡(luò)模型，該模型將規(guī)模較大的故障診斷問題劃分為幾個規(guī)模較小的故障診斷問題，不僅方便了對子網(wǎng)絡(luò)的