基于HSMM的齒輪故障診斷方法研究.pdf

1、智能故障診斷技術是機械設備故障診斷領域的發(fā)展趨勢，作為智能診斷技術的一種，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)間的關聯(lián)性。隱半馬爾科夫模型是基于隱馬爾科夫模型基礎上通過引入狀態(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，在故障診斷領域具有很好的應用前景，可以被用于穩(wěn)定運行過程中機械設備異常狀態(tài)的識別。目前，基于隱馬爾科夫模型的機械設備故障診斷已經(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域的研究還不是很多，因此，有必要結合已有成果，研究更加符合實際情況的馬爾科夫故障診斷模型。基于此，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域展開了研究工作，并以齒輪故障診斷為例進行了方法驗證。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，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行驗證。
　　本研究主要內容包括：⑴針對HMM及HSMM模型中觀測概率矩陣B的初值選取問題，在預測神經(jīng)網(wǎng)絡和直覺模糊集理論基礎上，提出了基于四分法的隸屬度計算方法，實現(xiàn)了對預測神經(jīng)網(wǎng)絡性能的判別，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。⑵針對馬爾科夫無后效性假設與事實不符的問題，結合自適應濾波理論，提出了基于自適應濾波的HMM故障診斷模型，該模型充分考慮了

4、自適應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)絡和隱半馬爾科夫模型進行分析的基礎上，構建了由多個子網(wǎng)絡構成的分級診斷網(wǎng)絡模型，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)絡的