本文關(guān)鍵詞：基于HSMM的齒輪故障診斷方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：智能故障診斷技術(shù)是機(jī)械設(shè)備故障診斷領(lǐng)域的發(fā)展趨勢,作為智能診斷技術(shù)的一種,基于隱馬爾科夫模型的智能故障診斷方法具有極強(qiáng)的對動態(tài)過程時(shí)間序列的建模能力和時(shí)序模式分類能力,但是這種模型沒有考慮狀態(tài)與狀態(tài)間的關(guān)聯(lián)性。隱半馬爾科夫模型是基于隱馬爾科夫模型基礎(chǔ)上通過引入狀態(tài)駐留時(shí)間概率函數(shù)而發(fā)展起來的,其更接近真實(shí)情況,在故障診斷領(lǐng)域具有很好的應(yīng)用前景,可以被用于穩(wěn)定運(yùn)行過程中機(jī)械設(shè)備異常狀態(tài)的識別。目前,基于隱馬爾科夫模型的機(jī)械設(shè)備故障診斷已經(jīng)取得了良好的成果,但隱半馬爾科夫模型在故障診斷領(lǐng)域的研究還不是很多,因此,有必要結(jié)合已有成果,研究更加符合實(shí)際情況的馬爾科夫故障診斷模型�；诖�,本文圍繞基于隱半馬爾科夫的故障診斷方法及其在齒輪中的應(yīng)用這一問題,對隱馬爾科夫理論及隱半馬爾科夫理論在故障診斷領(lǐng)域展開了研究工作,并以齒輪故障診斷為例進(jìn)行了方法驗(yàn)證。本文研究的目的是縮小馬爾科夫初值選取范圍,改善馬爾科夫無后效性假設(shè),尋找能同時(shí)處理多故障及退化程度的故障診斷模型,并通過仿真實(shí)驗(yàn)對方法的可行性及有效性進(jìn)行驗(yàn)證。本文主要工作如下:1)針對HMM及HSMM模型中觀測概率矩陣B的初值選取問題,在預(yù)測神經(jīng)網(wǎng)絡(luò)和直覺模糊集理論基礎(chǔ)上,提出了基于四分法的隸屬度計(jì)算方法,實(shí)現(xiàn)了對預(yù)測神經(jīng)網(wǎng)絡(luò)性能的判別,并以此為依據(jù)來確定較合理的矩陣B初值選取范圍,為HMM或HSMM的后續(xù)研究打下了堅(jiān)實(shí)的基礎(chǔ)。2)針對馬爾科夫無后效性假設(shè)與事實(shí)不符的問題,結(jié)合自適應(yīng)濾波理論,提出了基于自適應(yīng)濾波的HMM故障診斷模型,該模型充分考慮了自適應(yīng)濾波在處理歷史信息方面的優(yōu)勢以及HMM模型良好的動態(tài)建模能力及性能,以齒輪故障診斷為例,通過仿真驗(yàn)證了該模型的可行性和有效性。3)針對HMM模型狀態(tài)間指數(shù)分布的不合理性以及Baum-Welch算法訓(xùn)練過程中不包含它類信息而使得HMM模型不能處理多故障的問題,在對人工神經(jīng)網(wǎng)絡(luò)和隱半馬爾科夫模型進(jìn)行分析的基礎(chǔ)上,構(gòu)建了由多個子網(wǎng)絡(luò)構(gòu)成的分級診斷網(wǎng)絡(luò)模型,該模型將規(guī)模較大的故障診斷問題劃分為幾個規(guī)模較小的故障診斷問題,不僅方便了對子網(wǎng)絡(luò)的訓(xùn)練,也提高了網(wǎng)絡(luò)的整體分類能力,同時(shí)使得整個網(wǎng)絡(luò)具備多故障及退化程度同時(shí)性診斷能力。實(shí)驗(yàn)結(jié)果表明:ANN-HSMM分級網(wǎng)絡(luò)不僅能識別出多故障,也能有效地診斷出相應(yīng)故障的退化等級,具有較高的診斷精度。最后對本文的研究工作進(jìn)行了總結(jié),并指出了工作中的不足以及未來研究的方向。
【關(guān)鍵詞】：隱馬爾科夫模型 隱半馬爾科夫模型 人工神經(jīng)網(wǎng)絡(luò) 直覺模糊集 自適應(yīng)濾波 故障診斷
【學(xué)位授予單位】：重慶交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH132.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-19
• 1.1 研究背景及研究意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 隱馬爾科夫模型11-13
• 1.2.2 隱半馬爾科夫模型13-14
• 1.2.3 混合模型14-15
• 1.3 研究對象分析15-17
• 1.3.1 齒輪常見失效形式15-16
• 1.3.2 齒輪振動特點(diǎn)分析16-17
• 1.4 本文的主要內(nèi)容及創(chuàng)新點(diǎn)17
• 1.5 本文的章節(jié)安排17-19
• 第二章 隱半馬爾科夫模型及其在故障診斷中的應(yīng)用19-35
• 2.1 隱半馬爾科夫模型理論基礎(chǔ)19-21
• 2.1.1 馬爾科夫模型19-20
• 2.1.2 隱馬爾科夫模型20-21
• 2.2 隱半馬爾科夫模型21-29
• 2.2.1 隱半馬爾科夫模型定義21
• 2.2.2 隱半馬爾科夫模型的參數(shù)和結(jié)構(gòu)21-23
• 2.2.3 隱半馬爾科夫模型算法23-29
• 2.3 隱半馬爾科夫模型的故障診斷流程29-34
• 2.3.1 數(shù)據(jù)處理30-31
• 2.3.2 HSMMs模型庫訓(xùn)練31-33
• 2.3.3 分類決策33-34
• 2.4 本章小結(jié)34-35
• 第三章 基于神經(jīng)網(wǎng)絡(luò)和直覺模糊集的觀測概率選取方法35-47
• 3.1 引言35
• 3.2 基于ANN和直覺模糊集的初值預(yù)測模型35-41
• 3.2.1 神經(jīng)網(wǎng)絡(luò)的基本原理35-38
• 3.2.2 直覺模糊集理論38-39
• 3.2.3 基于四分法的隸屬度計(jì)算方法39-41
• 3.3 實(shí)驗(yàn)結(jié)果41-46
• 3.3.1 誤差矩陣E的獲取41-44
• 3.3.2 觀測概率矩陣B的獲取44-46
• 3.4 本章小結(jié)46-47
• 第四章 基于自適應(yīng)濾波的HMM故障診斷方法47-54
• 4.1 引言47
• 4.2 構(gòu)建模型理論基礎(chǔ)47-50
• 4.2.1 自適應(yīng)濾波法的基本過程47-48
• 4.2.2 N, k值和初始化權(quán)系數(shù)的確定48
• 4.2.3 基于自適應(yīng)濾波的HMM故障診斷模型48-50
• 4.3 仿真實(shí)驗(yàn)及結(jié)果50-53
• 4.3.1 狀態(tài)特征向量獲取50-51
• 4.3.2 HMM模型庫訓(xùn)練51
• 4.3.3 診斷結(jié)果51-53
• 4.4 本章小結(jié)53-54
• 第五章 基于ANN-HSMM的多故障及退化程度診斷方法54-63
• 5.1 引言54
• 5.2 構(gòu)建模型理論基礎(chǔ)54-58
• 5.2.1 ANN基本原理54-55
• 5.2.2 基于ANN-HSMM網(wǎng)絡(luò)的故障診斷模型55-58
• 5.3 仿真實(shí)驗(yàn)及結(jié)果58-62
• 5.3.1 訓(xùn)練樣本的獲取58-59
• 5.3.2 網(wǎng)絡(luò)的訓(xùn)練59
• 5.3.3 網(wǎng)絡(luò)測試結(jié)果及分析59-62
• 5.4 本章小結(jié)62-63
• 第六章 研究總結(jié)及展望63-65
• 6.1 研究總結(jié)及結(jié)論63-64
• 6.2 研究不足與展望64-65
• 致謝65-66
• 參考文獻(xiàn)66-70
• 作者在攻讀碩士期間的主要工作目錄70
• 一、發(fā)表的論文70
• 二、參與的科研項(xiàng)目70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 曾慶虎;邱靜;劉冠軍;譚曉棟;;基于小波特征尺度熵-隱半馬爾可夫模型的設(shè)備退化狀態(tài)識別方法及應(yīng)用[J];兵工學(xué)報(bào);2008年02期

2 唐貴基,田麗潔,田學(xué)航;人工神經(jīng)網(wǎng)絡(luò)在混合智能故障診斷技術(shù)中的應(yīng)用研究[J];汽輪機(jī)技術(shù);2005年05期

3 馮輔周;司愛威;江鵬程;;小波相關(guān)排列熵和HMM在故障預(yù)測中的應(yīng)用[J];振動工程學(xué)報(bào);2013年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張振華;幾類特殊模糊集的理論與應(yīng)用研究[D];南京理工大學(xué);2012年

  本文關(guān)鍵詞：基于HSMM的齒輪故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：327198