基于无限隐Markov模型的机械故障诊断方法研究

发布时间：2017-07-14 01:26

  本文关键词：基于无限隐Markov模型的机械故障诊断方法研究

  更多相关文章： 无限隐Markov模型 谱峭度 小波熵 故障诊断 退化趋势预测 缺失数据

【摘要】：本论文是在国家自然科学基金(51261024,51075372,51265039,50775208),江西省教育厅科技计划项目(No.GJJ12405),机械传动国家重点实验室开放基金(No.SKLMT-KFKT-201514)和广东省数字信号与图像处理技术重点实验室开放课题(2014GDDSIPL-01)资助下展开研究。针对基于HMM故障诊断方法中的模型定义和估计过程存在着严重不足,将一种新的机器学习方法——无限隐Markov模型(iHMM)引用到机械故障诊断中,提出了基于iHMM的故障诊断新方法,并取得了一些创新性的成果。本论文主要研究内容如下:第一章,论述了本课题的提出及其展开研究的意义,并论述了传统隐Markov模型(HMM)的研究现状,特别是在机械故障诊断领域研究现状。详细论述了iHMM的国内外研究现状。在此基础上,提出了本论文的主要研究内容、结构安排和创新之处。第二章,论述了传统隐Markov模型的理论及其存在的不足,并在此基础之上,阐明了无限隐Markov模型的理论及算法。在iHMM中,首先,从Dirichlet过程进行状态间转移概率的计算推导。然后,使用分层Dirichlet过程进行隐状态状态机制和生成机制的推理。其次,对模型超越参数的推理、优化和似然估计。还通过仿真实例对iHMM推理算法进行了验证,仿真结果表明iHMM具有很好的状态数目发掘能力,能够准确的反映状态序列的结构特征。最后,从概率统计的观点出发,说明了iHMM在机械故障诊断中所发挥的作用。第三章,结合谱峭度和iHMM的各自特性,提出了一种基于谱峭度和iHMM的旋转机械故障诊断的新方法。在提出的方法中,谱峭度用于故障特征提取,iHMM用作识别器,利用谱峭度提取的故障特征输入到iHMM中进行故障识别,其中,以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM进行故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,能有效地区分不同的故障类型。提出的方法明显优于传统的HMM故障识别方法,克服了传统的HMM故障识别方法存在的不足。第四章,论述了基于Beam抽样(Beam sampling)的iHMM理论及算法,并将该算法应用到滚动轴承退化趋势预测中,并结合小波熵,提出了一种基于小波熵和Beam抽样iHMM的滚动轴承退化趋势预测的新方法。在提出的方法中,利用小波熵提取故障特征,输入到iHMM中进行退化趋势预测。仿真结果验证了利用小波熵用作评价性能退化评价指标的有效性。同时,提出的方法与传统的HMM进行退化趋势预测方法进行了对比分析。研究结果表明,提出的方法明显优于HMM性能退化预测方法,并通过相对误差指标充分反映出来。第五章,相对完整数据下的预测,缺失数据下的预测更困难,也是更有意义。本章详细论述了缺失数据下利用iHMM进行滚动轴承退化趋势预测的可行性,在此基础上,提出了一种缺失数据下的基于iHMM滚动轴承退化趋势预测,给出了缺失数据下iHMM预测模型建立及其预测方法。提出的方法能够较好的对前期的缺失数据进行预处理,使用预处理的得到的特征值进行预测模型的训练,再使用得到的预测模型进行滚动轴承退化趋势的预测,提出的方法还与完整数据下的iHMM预测结果进行了对比,研究结果表明,提出的方法在在部分监控数据缺失的情况下,该方法仍能较好的对滚动轴承的退化趋势进行预测。第六章,对本论文的研究工作内容进行了全面的总结,并对有必要进行进一步开展研究的工作进行了展望。
【关键词】：无限隐Markov模型 谱峭度 小波熵 故障诊断 退化趋势预测 缺失数据
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17
【目录】：

• 摘要3-5
• Abstract5-9
• 第1章 绪论9-18
• 1.1 课题的提出及其研究意义9-10
• 1.2 隐Markov模型的研究现状10-11
• 1.3 隐Markov模型在机械故障诊断中的研究现状11-13
• 1.4 无限隐Markov模型的国内外研究现状13-15
• 1.5 论文的主要内容与创新之处15-17
• 1.5.1 论文的主要内容15-16
• 1.5.2 关键问题及创新点16-17
• 1.6 本章小结17-18
• 第2章 无限隐Markov模型理论与算法18-34
• 2.1 引言18
• 2.2 隐Markov模型理论及其存在的不足18-22
• 2.2.1 隐Markov模型的理论基础19
• 2.2.2 隐Markov模型的三个基本问题19-20
• 2.2.3 隐Markov模型的三个基本问题的求解20-21
• 2.2.4 隐Markov模型存在的不足21-22
• 2.3 无限隐Markov模型理论22-29
• 2.3.1Dirichlet过程计算状态间转移概率23-24
• 2.3.2 分层Dirichlet过程(HDP)推理隐状态转移机制24-26
• 2.3.3 分层Dirichlet过程(HDP)推理生成机制26-27
• 2.3.4 超越参数的推理、优化和似然估计27-29
• 2.4 仿真实例29-32
• 2.5 iHMM在故障诊断中的作用32-33
• 2.6 本章小结33-34
• 第3章 基于iHMM的旋转机械故障诊断方法研究34-44
• 3.1 引言34
• 3.2 谱峭度特征提取34-35
• 3.3 故障诊断模型的建立35
• 3.4 实验研究35-43
• 3.5 本章小结43-44
• 第4章 基于无限隐Markov模型的滚动轴承退化趋势预测44-61
• 4.1 引言44-45
• 4.2 滚动轴承信号退化特征信号提取45-48
• 4.2.1 小波变换45-46
• 4.2.2 信息熵46-47
• 4.2.3 小波熵47-48
• 4.3 基于Beam sampling的iHMM理论和算法48-51
• 4.4 特征提取仿真研究51-53
• 4.5 预测模型建立53-54
• 4.6 实验研究54-59
• 4.7 本章小结59-61
• 第5章 缺失数据下的基于iHMM滚动轴承退化趋势预测61-66
• 5.1 引言61-62
• 5.2 缺失数据下iHMM预测方法选择62
• 5.3 缺失数据下iHMM预测模型建立62-63
• 5.4 实验研究63-65
• 5.4.1 缺失数据处理64
• 5.4.2 退化趋势预测64-65
• 5.5 本章小结65-66
• 第6章 总结与展望66-68
• 6.1 总结66-67
• 6.2 展望67-68
• 参考文献68-74
• 攻读硕士学位期间发表的论文和参加科研情况74-75
• 致谢75-76

【相似文献】

中国期刊全文数据库 前10条

1 杨基栋;;缺失数据的插补方法及其统计分析[J];华北水利水电学院学报;2010年02期

2 梁怡;庞应周;;缺失数据常见插补调整方法的比较[J];内蒙古科技与经济;2013年23期

3 苏曦;郭鹏江;夏志明;;两指数总体带缺失数据的参数估计和检验[J];三峡大学学报(自然科学版);2011年04期

4 荆文君;张晓琴;常王华;;一种基于成分数据的修正EM算法[J];中北大学学报(自然科学版);2013年05期

5 孙晓松;;利用logit模型判定数据缺失机制[J];山东理工大学学报(自然科学版);2009年02期

6 罗双华;玄海燕;李敦刚;;缺失数据下局部线性回归估计的渐近性质[J];兰州理工大学学报;2007年01期

7 李佳宁;;有缺失数据的双向有序方列联表统计推断[J];大连交通大学学报;2007年02期

8 徐亮;李艳;林金官;夏乐天;;基于SA-MCMC算法的非线性测量误差模型数据删除影响[J];河海大学学报(自然科学版);2009年04期

9 李正农;郑晶;秦付倩;吴红华;;风场实测数据缺失的插补方法研究[J];自然灾害学报;2014年03期

10 李中恢;任海平;;含缺失数据时分组数据的AMSAA模型的Bayes分析[J];兰州理工大学学报;2008年05期

中国重要会议论文全文数据库 前8条

1 耿直;葛丹丹;;纵向研究非随机缺失数据分析[A];中国现场统计研究会第12届学术年会论文集[C];2005年

2 管河山;姜青山;Steven X.Wei;;一种处理缺失数据的新方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

3 陈楠;刘红云;;基于增长模型的缺失数据处理方法之比较[A];心理学与创新能力提升——第十六届全国心理学学术会议论文集[C];2013年

4 肖进;贺昌政;;面向缺失数据的客户价值区分集成模型研究[A];中国企业运筹学[2010(1)][C];2010年

5 曾莉;张淑梅;辛涛;;IRT模型中缺失数据处理方法比较[A];第十一届全国心理学学术会议论文摘要集[C];2007年

6 孙玲;刘浩;袁长亮;;北京市城市快速路微波检测缺失数据分析[A];2008第四届中国智能交通年会论文集[C];2008年

7 张香云;;基于EM算法缺失数据下混合模型的参数估计[A];第十三届中国管理科学学术年会论文集[C];2011年

8 李晓煦;侯杰泰;;结构方程中缺失数据的处理:FIML,EM与MI[A];全国教育与心理统计测量学术年会论文摘要集[C];2006年

中国博士学位论文全文数据库 前10条

1 马友;基于QoS缺失数据预测的个性化Web服务推荐方法研究[D];北京邮电大学;2015年

2 彭清艳;广义函数型回归模型及缺失数据模型[D];云南大学;2016年

3 骆汝九;多指标综合评价的非参数方法和缺失数据的聚类方法研究[D];扬州大学;2011年

4 祝丽萍;几种缺失数据和高维数据模型的统计分析[D];山东大学;2012年

5 贾博婷;缺失数据下一类整值时间序列的统计推断[D];吉林大学;2014年

6 刘旭;在完全和缺失数据下基于非光滑估计方程的统计推断与变量选择问题[D];云南大学;2010年

7 赵鹏飞;混沌数据恢复与非线性系统的模型参考控制[D];吉林大学;2010年

8 陆福忠;数据缺失下的分布函数估计问题[D];复旦大学;2007年

9 赵慧秀;可交换的两值数据的统计分析[D];东北师范大学;2009年

10 付志慧;多维项目反应模型的参数估计[D];吉林大学;2010年

中国硕士学位论文全文数据库 前10条

1 杨利华;缺失数据的处理方法研究及应用[D];景德镇陶瓷学院;2011年

2 袁中萸;多元线性回归模型中缺失数据填补方法的效果比较[D];中南大学;2008年

3 褚培肖;缺失数据下的有限混合计数数据模型的统计推断研究[D];昆明理工大学;2015年

4 申宁宁;纵向研究缺失数据多重填补及混合效应模型分析[D];山西医科大学;2015年

5 李少琼;纵向研究二分类缺失数据处理及加权估计方程的应用[D];山西医科大学;2015年

6 高宇钊;比值缺失数据的多重估算与心脏康复二级预防干预效果评价及应用[D];山西医科大学;2015年

7 李顺静;基于EM算法的缺失数据的统计分析及应用[D];重庆工商大学;2015年

8 汪静波;Logistic回归模型中缺失数据的处理[D];南京大学;2015年

9 朱建斐;数据集缺失数据恢复算法研究[D];西安电子科技大学;2015年

10 杨旭;多视角数据缺失补全问题研究[D];北京交通大学;2016年

，

本文编号：539182