基于HMM的复杂条件故障诊断技术研究

发布时间：2020-11-03 02:31

【摘要】：智能诊断技术是机械故障诊断领域的发展趋势。隐马尔科夫模型作为智能诊断技术的一种，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。隐马尔科夫模型的这些特点使得它在故障诊断领域具有很好的应用前景，尤其是在系统复杂、机械设备众多、可靠性要求高的故障诊断中。它不仅可以用于稳态功率运行过程中机械设备异常状态的识别，而且对于旋转机械升降速过程信号的建模和识别具有很强的针对性。目前采用隐马尔科夫模型对简单设备进行故障诊断已经可以取得非常好的识别结果。但是当条件复杂、故障种类多时，隐马尔科夫模型的分类性能往往会出现较大的降低。 本文在“十一五”国防基础科研项目(项目编号：B0120060585)：“基于隐马尔可夫模型－人工免疫系统的核动力系统故障诊断技术研究”以及国家高技术研究发展计划“863计划”项目(项目编号：2008AA04Z407)：“基于隐马尔可夫—支持向量机的核电装备状态监测与故障诊断技术研究”开展研究工作。本文研究的目的是通过核动力故障模拟装置的实验验证研究，解决HMM模型故障诊断时一旦故障种类增多、部分特征不明显且相似时识别率显著下降的问题，从而为HMM智能诊断技术在核动力关键设备等复杂设备诊断上的实际应用提供技术保证与理论支持。 论文的主要围绕以下几个问题展开： 1、人工免疫理论与隐马尔科夫模型诊断系统的结合解决隐马尔科夫模型训练受初始值影响大的问题。 本文通过在隐马尔科夫模型训练过程中引入克隆选择原理实现了局部最优的跳出；在此基础上重新划分抗体集合P，采用最优集克隆选择算法弥补克隆选择算法多样性的不足；并增加约束及估计主键的方式，将B矩阵降维至矩阵B*从而降低问题的复杂度。此外还借鉴了超球体空间覆盖原理避免变异算子部分功能与Baum-Welch算子功能出现重合导致的无效计算，并且通过BCSA算法最优集+最优组合寻求算法的方式解决了复杂条件下HMMs模型库需要大量的人工挑选的困难。 2、研究增强隐马尔科夫模型模型分类能力的问题。 本文采用HMM/SVM结构，引入支持向量机从外部弥补隐马尔科夫模型故障诊断系统应对复杂条件的分类能力；构建马尔科夫链HMM网络从内部通过类间信息学习提高隐马尔科夫模型故障诊断系统应对复杂条件下分类的能力；并且建立了多通道马尔科夫链隐马尔科夫网络模型故障诊断方法。 3、实验验证 本文采用主泵故障模拟实验装置上的测试实验对前文提出的故障诊断方法进行验证。通过测试实验可以证明，本文提出的复杂条件下基于隐马尔科夫模型的故障诊断方法是有效的。 通过对复杂条件下HMM故障诊断技术的研究，本文对泵故障模拟装置的4大类故障，13种状态的进行了模拟和诊断。在采用结合免疫原理的HMM优化训练算法有效提高训练效率的基础上，HMM/SVM混合模型可将模拟装置稳定状态的平均识别率从86.8%提高到94.8%，HMM网络模型的平均识别率也可达到93.4%。两种方法均有效改善了系统在故障种类增多、部分特征不明显且相似等复杂条件下的识别性能。
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2012
【分类号】：TH165.3
【文章目录】：
摘要
Abstract
图目录
表目录
主要符号表
第一章 绪论
    1.1 本文的研究背景及研究意义
    1.2 智能诊断技术及其在故障诊断中的应用
        1.2.1 专家系统
        1.2.2 人工神经网络
        1.2.3 隐马尔可夫模型
        1.2.4 人工免疫系统
        1.2.5 支持向量机
        1.2.6 混合模型
    1.3 隐马尔可夫模型的发展历程
        1.3.1 隐马尔可夫模型的参数及结构
        1.3.2 隐马尔可夫模型的发展
    1.4 本文的主要内容
第二章 泵故障模拟装置及其故障诊断系统
    2.1 引言
    2.2 泵故障模拟装置
        2.2.1 实验仪器与装置
        2.2.2 主泵故障模拟方案
        2.2.3 数据采集系统及采集参数
    2.3 基于HMM的故障诊断系统
        2.3.1 基于HMM的故障诊断流程
        2.3.2 特征提取方法
        2.3.3 HMMs模型库训练
        2.3.4 分类决策
    2.4 故障诊断结果及分析
        2.4.1 启动过程故障诊断结果
        2.4.2 稳定过程故障诊断结果
        2.4.3 结论及新的问题
    2.5 本章小结
第三章 结合人工免疫原理的HMM训练方法
    3.1 引言
    3.2 人工免疫系统
    3.3 结合克隆选择算法的HMM训练算法
        3.3.1 初始值对HMM模型似然率的影响
        3.3.2 HMM模型参数空间分析
        3.3.3 采用克隆选择原理HMM训练算法的总体流程
        3.3.4 克隆选择原理HMM训练算法中的定义
        3.3.5 训练算法的具体实现
    3.4 借鉴球形空间覆盖原理的进一步算法优化
        3.4.1 B矩阵降维
        3.4.2 超球体空间覆盖
    3.5 BCSA算法中HMM模型集Mb的利用
    3.6 实验及训练结果
        3.6.1 算法寻优性能与计算效率比较
        3.6.2 结合免疫原理HMM训练算法的局部极值跳出能力
        3.6.3 主要训练参数对算法计算量的影响
    3.7 本章小结
第四章 基于HMM/SVM模型的故障诊断方法
    4.1 引言
    4.2 支持向量机
    4.3 HMM/SVM混合模型
        4.3.1 混合模型基本架构
        4.3.2 混合模型的训练与识别
        4.3.3 HMM/SVM模型诊断数据库的扩展
    4.4 模型性能与故障诊断结果
        4.4.1 模型性能及参数影响
        4.4.2 故障诊断结果
    4.5 本章小结
第五章 基于HMM网络的故障诊断方法
    5.1 引言
    5.2 HMM网络的基本原理
        5.2.1 HMM免疫网络的基本结构
        5.2.2 HMM网络的构建
        5.2.3 HMM网络的训练
    5.3 基于马尔科夫链的HMM网络
        5.3.1 马尔科夫链与免疫网络的统一
        5.3.2 已知马尔科夫链的HMM网络训练方法
    5.4 基于HMM网络的分类方法
    5.5 基于HMM网络的多通道信号识别方法
    5.6 基于HMM网络的故障诊断
    5.7 本章小结
第六章 结论与展望
    6.1 研究总结与结论
    6.2 研究展望
参考文献
附录一 主泵故障模拟装置故障诊断软件
附录二 部分算法C++源代码
攻读博士学位期间取得的研究成果
致谢
附件

【参考文献】

中国期刊全文数据库 前10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 陈强;郑德玲;李湘萍;;基于人工免疫的故障诊断模型及其应用[J];北京科技大学学报;2007年10期

3 王强;陈欢欢;王珽;;一种基于多类支持向量机的故障诊断算法[J];电机与控制学报;2009年02期

4 熊浩;孙才新;陈伟根;杜林;廖玉祥;;电力变压器故障诊断的人工免疫网络分类算法[J];电力系统自动化;2006年06期

5 刘树林,张嘉钟,王日新,时文刚;基于免疫系统的旋转机械在线故障诊断[J];大庆石油学院学报;2001年04期

6 刘震;王厚军;龙兵;张治国;;一种基于加权隐马尔可夫的自回归状态预测模型[J];电子学报;2009年10期

7 张雷;胡彦红;陈巍巍;刘秋皊;林建中;张丽芳;;基于EKF训练的归一化RBF神经网络在旋转机械故障诊断中的应用[J];中国工程机械学报;2010年01期

8 周爱华;张彼德;张厚宣;;基于人工免疫分类算法的电力变压器故障诊断[J];高电压技术;2007年08期

9 刘永阔,夏虹,谢春丽,阎昌琪;基于模糊神经网络的核动力装置设备故障诊断系统研究[J];核动力工程;2004年04期

10 张健德;杨明;;核电站混合式故障诊断系统的开发和评价[J];核动力工程;2007年06期

中国博士学位论文全文数据库 前4条

1 曾庆虎;机械传动系统关键零部件故障预测技术研究[D];国防科学技术大学;2010年

2 叶大鹏;基于2D-HMM的旋转机械故障诊断方法及其应用研究[D];浙江大学;2004年

3 刘永阔;核动力装置故障诊断智能技术的研究[D];哈尔滨工程大学;2006年

4 何广杰;克隆选择算法及其在地基工程若干问题中的应用[D];西南交通大学;2007年

中国硕士学位论文全文数据库 前4条

1 花静;基于HMM/SVM混合架构的连续语音识别系统的研究[D];哈尔滨工业大学;2006年

2 江涌涛;基于隐马尔可夫模型及支持向量机的机床切削颤振在线监测[D];南华大学;2007年

3 储为新;SVM和HMM混合模型的研究及其应用[D];江南大学;2008年

4 潘洋;基于改进的HMM/SVM构架的语音识别系统的研究[D];兰州大学;2009年

本文编号：2867965