基于HSMM的齿轮故障诊断方法研究

发布时间：2017-04-25 22:14

  本文关键词：基于HSMM的齿轮故障诊断方法研究，，由笔耕文化传播整理发布。

【摘要】：智能故障诊断技术是机械设备故障诊断领域的发展趋势,作为智能诊断技术的一种,基于隐马尔科夫模型的智能故障诊断方法具有极强的对动态过程时间序列的建模能力和时序模式分类能力,但是这种模型没有考虑状态与状态间的关联性。隐半马尔科夫模型是基于隐马尔科夫模型基础上通过引入状态驻留时间概率函数而发展起来的,其更接近真实情况,在故障诊断领域具有很好的应用前景,可以被用于稳定运行过程中机械设备异常状态的识别。目前,基于隐马尔科夫模型的机械设备故障诊断已经取得了良好的成果,但隐半马尔科夫模型在故障诊断领域的研究还不是很多,因此,有必要结合已有成果,研究更加符合实际情况的马尔科夫故障诊断模型。基于此,本文围绕基于隐半马尔科夫的故障诊断方法及其在齿轮中的应用这一问题,对隐马尔科夫理论及隐半马尔科夫理论在故障诊断领域展开了研究工作,并以齿轮故障诊断为例进行了方法验证。本文研究的目的是缩小马尔科夫初值选取范围,改善马尔科夫无后效性假设,寻找能同时处理多故障及退化程度的故障诊断模型,并通过仿真实验对方法的可行性及有效性进行验证。本文主要工作如下:1)针对HMM及HSMM模型中观测概率矩阵B的初值选取问题,在预测神经网络和直觉模糊集理论基础上,提出了基于四分法的隶属度计算方法,实现了对预测神经网络性能的判别,并以此为依据来确定较合理的矩阵B初值选取范围,为HMM或HSMM的后续研究打下了坚实的基础。2)针对马尔科夫无后效性假设与事实不符的问题,结合自适应滤波理论,提出了基于自适应滤波的HMM故障诊断模型,该模型充分考虑了自适应滤波在处理历史信息方面的优势以及HMM模型良好的动态建模能力及性能,以齿轮故障诊断为例,通过仿真验证了该模型的可行性和有效性。3)针对HMM模型状态间指数分布的不合理性以及Baum-Welch算法训练过程中不包含它类信息而使得HMM模型不能处理多故障的问题,在对人工神经网络和隐半马尔科夫模型进行分析的基础上,构建了由多个子网络构成的分级诊断网络模型,该模型将规模较大的故障诊断问题划分为几个规模较小的故障诊断问题,不仅方便了对子网络的训练,也提高了网络的整体分类能力,同时使得整个网络具备多故障及退化程度同时性诊断能力。实验结果表明:ANN-HSMM分级网络不仅能识别出多故障,也能有效地诊断出相应故障的退化等级,具有较高的诊断精度。最后对本文的研究工作进行了总结,并指出了工作中的不足以及未来研究的方向。
【关键词】：隐马尔科夫模型 隐半马尔科夫模型 人工神经网络 直觉模糊集 自适应滤波 故障诊断
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH132.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-19
• 1.1 研究背景及研究意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 隐马尔科夫模型11-13
• 1.2.2 隐半马尔科夫模型13-14
• 1.2.3 混合模型14-15
• 1.3 研究对象分析15-17
• 1.3.1 齿轮常见失效形式15-16
• 1.3.2 齿轮振动特点分析16-17
• 1.4 本文的主要内容及创新点17
• 1.5 本文的章节安排17-19
• 第二章 隐半马尔科夫模型及其在故障诊断中的应用19-35
• 2.1 隐半马尔科夫模型理论基础19-21
• 2.1.1 马尔科夫模型19-20
• 2.1.2 隐马尔科夫模型20-21
• 2.2 隐半马尔科夫模型21-29
• 2.2.1 隐半马尔科夫模型定义21
• 2.2.2 隐半马尔科夫模型的参数和结构21-23
• 2.2.3 隐半马尔科夫模型算法23-29
• 2.3 隐半马尔科夫模型的故障诊断流程29-34
• 2.3.1 数据处理30-31
• 2.3.2 HSMMs模型库训练31-33
• 2.3.3 分类决策33-34
• 2.4 本章小结34-35
• 第三章 基于神经网络和直觉模糊集的观测概率选取方法35-47
• 3.1 引言35
• 3.2 基于ANN和直觉模糊集的初值预测模型35-41
• 3.2.1 神经网络的基本原理35-38
• 3.2.2 直觉模糊集理论38-39
• 3.2.3 基于四分法的隶属度计算方法39-41
• 3.3 实验结果41-46
• 3.3.1 误差矩阵E的获取41-44
• 3.3.2 观测概率矩阵B的获取44-46
• 3.4 本章小结46-47
• 第四章 基于自适应滤波的HMM故障诊断方法47-54
• 4.1 引言47
• 4.2 构建模型理论基础47-50
• 4.2.1 自适应滤波法的基本过程47-48
• 4.2.2 N, k值和初始化权系数的确定48
• 4.2.3 基于自适应滤波的HMM故障诊断模型48-50
• 4.3 仿真实验及结果50-53
• 4.3.1 状态特征向量获取50-51
• 4.3.2 HMM模型库训练51
• 4.3.3 诊断结果51-53
• 4.4 本章小结53-54
• 第五章 基于ANN-HSMM的多故障及退化程度诊断方法54-63
• 5.1 引言54
• 5.2 构建模型理论基础54-58
• 5.2.1 ANN基本原理54-55
• 5.2.2 基于ANN-HSMM网络的故障诊断模型55-58
• 5.3 仿真实验及结果58-62
• 5.3.1 训练样本的获取58-59
• 5.3.2 网络的训练59
• 5.3.3 网络测试结果及分析59-62
• 5.4 本章小结62-63
• 第六章 研究总结及展望63-65
• 6.1 研究总结及结论63-64
• 6.2 研究不足与展望64-65
• 致谢65-66
• 参考文献66-70
• 作者在攻读硕士期间的主要工作目录70
• 一、发表的论文70
• 二、参与的科研项目70

【参考文献】

中国期刊全文数据库 前3条

1 曾庆虎;邱静;刘冠军;谭晓栋;;基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用[J];兵工学报;2008年02期

2 唐贵基,田丽洁,田学航;人工神经网络在混合智能故障诊断技术中的应用研究[J];汽轮机技术;2005年05期

3 冯辅周;司爱威;江鹏程;;小波相关排列熵和HMM在故障预测中的应用[J];振动工程学报;2013年02期

中国博士学位论文全文数据库 前1条

1 张振华;几类特殊模糊集的理论与应用研究[D];南京理工大学;2012年

  本文关键词：基于HSMM的齿轮故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：327198