基于无限因子隐Markov模型的机械故障诊断方法与研究

发布时间：2017-08-03 01:02

  本文关键词：基于无限因子隐Markov模型的机械故障诊断方法与研究

  更多相关文章： iFHMM 特征提取 模式识别 故障诊断 独立分量分析 滚动轴承 状态预测

【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。基于无限因子隐Markov模型(iFHMM)的独特优势,将i FHMM引入到机械故障诊断中,提出了基于iFHMM的机械故障诊断方法,并进行了仿真和实验验证,取得了比较好的创新性成果。本论文的主要研究内容如下:第1章:论述了本课题的提出及意义,因子隐Markov模型的国内外研究现状和无限因子隐Markov模型的研究现状。在此基础上,给出了本文的主要研究内容与创新之处。第2章:论述了因子隐Markov模型的基本原理与基本算法,指出了因子隐Markov模型所存在的不足与缺陷。以此为基础,论述了iFHMM的理论及推导算法。鉴于iFHMM的结构,采用一个二元矩阵进行结构的搭建与建模,引进了印度餐馆过程(IBP)与截棍构造模型(Stick-Breaking),以此为基础对iFHMM进行建模,重点论述了iFHMM的理论算法及其推导过程。第3章:将无限因子隐Markov模型引入到旋转机械升降速过程的故障诊断中,提出了基于因子隐Markov模型的旋转机械故障诊断方法,在提出的方法中,利用FFT提取各种典型的转子故障的1/2、1,2,3,4,5倍频作为特征向量输入到各个状态iFHMM来进行训练,得到每个模型产生该序列的概率,其中概率最大的状态就代表了当前机组的运行状态。同时,提出的方法与传统的基于因子隐Markov模型的机械故障诊断方法进行了比较,并成功地应用到旋转机械的故障中,实验结果表明,iFHMM识别方法和FHMM识别方法都得到了很好的识别效果,然而,在iFHMM识别方法中,隐式Markov链条数设定为无穷大,可以通过求极限确定合适的隐式Markov链条数,克服了在FHMM识别方法中盲目选择隐式Markov链条数的不足。第4章:结合独立成分分析(ICA)和iFHMM的各自特点,提出了基于ICA-iFHMM的旋转机械故障诊断方法,在提出的方法中,利用ICA基残余互信息(RMI)作为特征提取,消除了多通道之间的信息冗余,iFHMM作为识别器。将提出的方法应用于旋转机械故障诊断中。同时,与基于ICA-FHMM的旋转机械故障诊断方法进行对比研究,实验结果表明,两种方法都取得了满意的识别效果,然而,ICA-FHMM识别效果与隐式Markov链条数的选择有很大关系,如何合理选择,缺乏依据,往往是采用人为试凑方法来选择。而提出的方法可以自适应地确定隐式Markov链条数,克服了FHMM中存在的不足。第5章:针对iFHMM中的模型参数估计的EM算法只能进行局部寻优,这样,容易造成EM算法在早期过早地收敛于局部极值的不足,在此,利用粒子群算法(PSO)具有全局寻优的特点,提出了PSO-iFHMM模型。在此基础上,将提出的模型应用到滚动轴承性能退化研究中,并以基本尺度熵为特征,构造PSO-iFHMM预测模型。同时,与FHMM预测模型、iFHMM预测模型进行对比研究。实验证明,三种预测模型方法都取得良好的预测效果。然而,FHMM预测模型、iFHMM预测模型存在过学习或欠学习问题,容易陷入局部极小。而在提出的PSO-iFHMM预测模型中,引入粒子群优化算法,大大加强了它的寻优能力,达到全局寻优。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】：iFHMM 特征提取 模式识别 故障诊断 独立分量分析 滚动轴承 状态预测
【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4-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 课题的提出及其意义10-11
• 1.2 因子隐Markov模型的研究现状11-12
• 1.3 无限因子隐Markov模型的研究12-13
• 1.4 论文的主要研究内容与创新之处13-14
• 1.4.1 论文的主要内容13-14
• 1.4.2 论文的创新之处14
• 1.5 本章小结14-15
• 第2章 无限因子隐Markov模型理论与算法15-28
• 2.1 引言15-16
• 2.2 因子隐Markov模型理论和算法16-22
• 2.2.1 FHMM的基本原理16-18
• 2.2.2 FHMM的基本算法18-21
• 2.2.3 FHMM存在的不足与需要克服的问题21-22
• 2.3 iFHMM的基本概念与算法22-27
• 2.3.1 iFHMM的模型构造22-24
• 2.3.2 利用IBP与截棍构造模型对iFHMM进行参数修正与改进24-27
• 2.4 本章小节27-28
• 第3章 基于iFHMM的旋转机械故障识别方法研究28-37
• 3.1 引言28-29
• 3.2 FFT-iFHMM识别方法29-31
• 3.3 实验研究31-35
• 3.4 本章小结35-37
• 第4章 基于ICA-iFHMM的故障识别方法研究37-46
• 4.1 引言37
• 4.2 基于ICA的特征提取37-39
• 4.3 ICA-iFHMM识别方法39-40
• 4.4 实验研究40-44
• 4.5 本章小结44-46
• 第5章 基于粒子群优化的iFHMM的滚动轴承性能退化预测方法研究46-61
• 5.1 引言46-47
• 5.2 粒子群优化算法47-52
• 5.3 PSO-iFHMM算法52-54
• 5.4 基本尺度熵特征提取54-56
• 5.5 预测模型建立56-57
• 5.6 实验研究57-60
• 5.7 本章小结60-61
• 第6章 总结与展望61-63
• 6.1 本文总结61-62
• 6.2 未来展望62-63
• 参考文献63-70
• 攻读硕士学位期间发表的论文和参加科研情况70-71
• 致谢71-72

【相似文献】

中国期刊全文数据库 前10条

1 胡兆勇;机械故障诊断中的误诊[J];中国机械工程;2005年02期

2 陈湃;;浅谈机械故障诊断技术的原理与方法[J];装备制造;2009年05期

3 赵永满;梅卫江;吴疆;王春林;;机械故障诊断技术发展及趋势分析[J];机床与液压;2009年10期

4 李秋红;李净仪;谢剑;王丽君;;机械故障诊断的研究与发展趋势[J];农机使用与维修;2010年02期

5 赫伟英;裴峻峰;;往复机械故障诊断技术进展综述[J];化工机械;2010年05期

6 蒲国强;;多传感器信息融合技术与机械故障诊断研究[J];广西轻工业;2010年11期

7 侯靖欧;;机械故障诊断技术[J];渔业现代化;1984年06期

8 刘增良;模糊数学用于工程机械故障诊断[J];工程机械;1987年12期

9 金鹏林;齐天喜;;机械故障诊断学及其在油田机械工程中的应用[J];新疆石油科技;1993年03期

10 尚国清,佟德纯;机械故障诊断技术现状与展望[J];工程机械;1994年12期

中国重要会议论文全文数据库 前10条

1 王秋贵;周s，

本文编号：611943