齒輪箱是機械設備中常見的傳動系統(tǒng),其異常往往導致設備不能正常使用,輕則產(chǎn)生經(jīng)濟損失,重則導致安全事故,研究針對齒輪箱的故障診斷技術意義重大。隱馬爾科夫模型具有強大的時序建模能力,理論上可以處理任意時長的時序模式識別問題。本文將離散隱馬爾科夫模型用于齒輪箱的故障診斷,圍繞特征降維、模型優(yōu)化開展了研究,主要內容如下:（1）針對非線性數(shù)據(jù)的特征降維,提出了基于單核核函數(shù)級聯(lián)的方法,根據(jù)類內離散度和類間距之比對核參數(shù)進行優(yōu)化,依次提取原始特征集的局部信息和全局信息,實驗證明,該方法兼顧了特征降維和各類數(shù)據(jù)的可分性。（2）圍繞離散隱馬爾科夫模型初始觀測矩陣的構造問題,考慮到針對單樣本或單一類型樣本進行的優(yōu)化策略可能導致的模型退化等問題,構造包含典型樣本和易誤判樣本的待優(yōu)化樣本集,利用粒子群優(yōu)化算法對初始觀測矩陣進行優(yōu)化,采用本方法能獲得更好的初始觀測矩陣。（3）針對離散隱馬爾科夫模型自適應性不足的問題,本文利用離散隱馬爾科夫模型進行信息融合構造包含時序信息的新特征集,采用BP神經(jīng)網(wǎng)路算法進行齒輪箱工況的識別。本方法結合了隱馬爾科夫模型較強的時序建模能力和BP神經(jīng)網(wǎng)絡的自適應性,診斷精度顯著提高。 

【文章來源】：中北大學山西省

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

故障診斷技術分類基于解析模型的故障診斷方法適用于相對簡單的系統(tǒng)，將通過傳感器系統(tǒng)獲得的分

圖 1.2 主要的動態(tài)模式識別技術故障診斷問題實質上是動態(tài)模式識別問題。動態(tài)模式識別問題到現(xiàn)在界定，可以結合實際情況動態(tài)性體現(xiàn)在研究對象兩個方面[11]：一是研的，類似于無監(jiān)督學習，算法可以自適應的將新出現(xiàn)的故障與已有的；二是已有的故障模型可以進行動態(tài)更新，以適應出現(xiàn)的新特征或新模式識別方法可分為動態(tài)聚類方法和人工智能算法。主要的動態(tài)聚類 ISODATA 算法，1969 年，Ruspini[12]首次將模糊集理論引入聚類分析類算法成為應用最為廣泛的算法之一，其思路是將相似樣本歸為一類不同類。1974 年，Dunn 提出 FCM 模型，由 Bezdek[13]將隸屬度引入對 FCM 進行了一般化推廣得到目前眾所周知 FCM 算法。FCM 是一的模糊聚類方法，需要預先指定聚類數(shù)目和初始聚類中心，通過最小不斷更新隸屬度和聚類中心，直至目標函數(shù)收斂，最終根據(jù)隸屬度原類別。有學者將其應用與提取特征以后的數(shù)據(jù)預處理階段，對樣本進

圖 1.3 論文結構（1）分析研究了采用主成分分析法和核主成分分析法特征降維時的特點，針對線性混合核函數(shù)降維時，存在將核參數(shù)的選擇轉化為核函數(shù)權重的選擇問題，本文提出了基于單核級聯(lián)的特征降維方法，先采用局部核函數(shù)提取局部信息，再采用全局核函數(shù)提取全局信息，在兩分類問題的類內離散度和類間距之比的基礎上，構建了多分類問題的適應度函數(shù)。（2）針對離散馬爾科夫模型用于模式識別時，初始觀測值矩陣 B 的選擇對其模型訓練影響較大的問題，同時考慮到針對單樣本進行優(yōu)化會導致模型退化的問題，本文構造了優(yōu)化樣本集并采取粒子群算法對初始觀測值進行尋優(yōu)，該方法能有效提高離散隱馬爾科夫模型的診斷精度。（3）針對離散對隱馬爾科夫模型自適應能力較弱的問題，本文將其與 BP 神經(jīng)網(wǎng)絡算法相結合，提出了基于離散隱馬爾科夫模型的信息融合方法，構造了新的特征集，再采用 BP 神經(jīng)網(wǎng)絡進行故障診斷。

【參考文獻】：
期刊論文
[1]基于HSMM的機械故障演化預測診斷研究[J]. 于寧,王艷紅,蔡明,田中大.  組合機床與自動化加工技術. 2018(01)
[2]基于DPMM-CHMM的機械設備性能退化評估研究[J]. 季云,王恒,朱龍彪,劉肖.  振動與沖擊. 2017(23)
[3]基于多屬性模糊C均值聚類的屬性約簡算法[J]. 李詩瑾,李倩,徐桂瓊.  現(xiàn)代電子技術. 2017(21)
[4]深度學習在故障診斷領域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[5]基于信號共振稀疏分解和最大相關峭度解卷積的齒輪箱故障診斷[J]. 何群,郭源耕,王霄,任宗浩,李繼猛.  中國機械工程. 2017(13)
[6]基于神經(jīng)網(wǎng)絡和證據(jù)理論的樣本預測方法[J]. 姚雪梅,李少波,璩晶磊.  組合機床與自動化加工技術. 2017(06)
[7]基于粒子群優(yōu)化KFCM的風電齒輪箱故障診斷[J]. 李狀,柳亦兵,滕偉,林楊.  振動.測試與診斷. 2017(03)
[8]廣義變分模態(tài)分解及其在齒輪箱復合故障診斷中的應用[J]. 楊宇,羅鵬,程軍圣.  中國機械工程. 2017(09)
[9]主分量分析和隱馬爾科夫模型結合的軸承監(jiān)測診斷方法[J]. 張西寧,雷威,李兵.  西安交通大學學報. 2017(06)
[10]基于模糊粗糙集和SVM的航空發(fā)動機故障診斷[J]. 曹愈遠,張建,李艷軍,張麗娜.  振動.測試與診斷. 2017(01)

博士論文
[1]機械傳動系統(tǒng)關鍵零部件故障預測技術研究[D]. 曾慶虎.國防科學技術大學 2010
[2]基于粒子群優(yōu)化的齒輪箱智能故障診斷研究[D]. 魏秀業(yè).中北大學 2009
[3]HMM動態(tài)模式識別理論、方法以及在旋轉機械故障診斷中的應用[D]. 馮長建.浙江大學 2002

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡與隱馬爾科夫鏈的駕駛狀態(tài)識別[D]. 孫瓊.合肥工業(yè)大學 2012



本文編號：3136183