本文關(guān)鍵詞：基于無(wú)限隱Markov模型的機(jī)械故障診斷方法研究

  更多相關(guān)文章： 無(wú)限隱Markov模型 譜峭度 小波熵 故障診斷 退化趨勢(shì)預(yù)測(cè) 缺失數(shù)據(jù)

【摘要】：本論文是在國(guó)家自然科學(xué)基金(51261024,51075372,51265039,50775208),江西省教育廳科技計(jì)劃項(xiàng)目(No.GJJ12405),機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(No.SKLMT-KFKT-201514)和廣東省數(shù)字信號(hào)與圖像處理技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題(2014GDDSIPL-01)資助下展開(kāi)研究。針對(duì)基于HMM故障診斷方法中的模型定義和估計(jì)過(guò)程存在著嚴(yán)重不足,將一種新的機(jī)器學(xué)習(xí)方法——無(wú)限隱Markov模型(iHMM)引用到機(jī)械故障診斷中,提出了基于iHMM的故障診斷新方法,并取得了一些創(chuàng)新性的成果。本論文主要研究?jī)?nèi)容如下:第一章,論述了本課題的提出及其展開(kāi)研究的意義,并論述了傳統(tǒng)隱Markov模型(HMM)的研究現(xiàn)狀,特別是在機(jī)械故障診斷領(lǐng)域研究現(xiàn)狀。詳細(xì)論述了iHMM的國(guó)內(nèi)外研究現(xiàn)狀。在此基礎(chǔ)上,提出了本論文的主要研究?jī)?nèi)容、結(jié)構(gòu)安排和創(chuàng)新之處。第二章,論述了傳統(tǒng)隱Markov模型的理論及其存在的不足,并在此基礎(chǔ)之上,闡明了無(wú)限隱Markov模型的理論及算法。在iHMM中,首先,從Dirichlet過(guò)程進(jìn)行狀態(tài)間轉(zhuǎn)移概率的計(jì)算推導(dǎo)。然后,使用分層Dirichlet過(guò)程進(jìn)行隱狀態(tài)狀態(tài)機(jī)制和生成機(jī)制的推理。其次,對(duì)模型超越參數(shù)的推理、優(yōu)化和似然估計(jì)。還通過(guò)仿真實(shí)例對(duì)iHMM推理算法進(jìn)行了驗(yàn)證,仿真結(jié)果表明iHMM具有很好的狀態(tài)數(shù)目發(fā)掘能力,能夠準(zhǔn)確的反映狀態(tài)序列的結(jié)構(gòu)特征。最后,從概率統(tǒng)計(jì)的觀點(diǎn)出發(fā),說(shuō)明了iHMM在機(jī)械故障診斷中所發(fā)揮的作用。第三章,結(jié)合譜峭度和iHMM的各自特性,提出了一種基于譜峭度和iHMM的旋轉(zhuǎn)機(jī)械故障診斷的新方法。在提出的方法中,譜峭度用于故障特征提取,iHMM用作識(shí)別器,利用譜峭度提取的故障特征輸入到iHMM中進(jìn)行故障識(shí)別,其中,以最大似然估計(jì)來(lái)確定設(shè)備運(yùn)轉(zhuǎn)中出現(xiàn)的故障類型。同時(shí),將提出的方法與傳統(tǒng)的HMM進(jìn)行故障識(shí)別方法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,提出的方法是有效的,能有效地區(qū)分不同的故障類型。提出的方法明顯優(yōu)于傳統(tǒng)的HMM故障識(shí)別方法,克服了傳統(tǒng)的HMM故障識(shí)別方法存在的不足。第四章,論述了基于Beam抽樣(Beam sampling)的iHMM理論及算法,并將該算法應(yīng)用到滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)中,并結(jié)合小波熵,提出了一種基于小波熵和Beam抽樣iHMM的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)的新方法。在提出的方法中,利用小波熵提取故障特征,輸入到iHMM中進(jìn)行退化趨勢(shì)預(yù)測(cè)。仿真結(jié)果驗(yàn)證了利用小波熵用作評(píng)價(jià)性能退化評(píng)價(jià)指標(biāo)的有效性。同時(shí),提出的方法與傳統(tǒng)的HMM進(jìn)行退化趨勢(shì)預(yù)測(cè)方法進(jìn)行了對(duì)比分析。研究結(jié)果表明,提出的方法明顯優(yōu)于HMM性能退化預(yù)測(cè)方法,并通過(guò)相對(duì)誤差指標(biāo)充分反映出來(lái)。第五章,相對(duì)完整數(shù)據(jù)下的預(yù)測(cè),缺失數(shù)據(jù)下的預(yù)測(cè)更困難,也是更有意義。本章詳細(xì)論述了缺失數(shù)據(jù)下利用iHMM進(jìn)行滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)的可行性,在此基礎(chǔ)上,提出了一種缺失數(shù)據(jù)下的基于iHMM滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè),給出了缺失數(shù)據(jù)下iHMM預(yù)測(cè)模型建立及其預(yù)測(cè)方法。提出的方法能夠較好的對(duì)前期的缺失數(shù)據(jù)進(jìn)行預(yù)處理,使用預(yù)處理的得到的特征值進(jìn)行預(yù)測(cè)模型的訓(xùn)練,再使用得到的預(yù)測(cè)模型進(jìn)行滾動(dòng)軸承退化趨勢(shì)的預(yù)測(cè),提出的方法還與完整數(shù)據(jù)下的iHMM預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比,研究結(jié)果表明,提出的方法在在部分監(jiān)控?cái)?shù)據(jù)缺失的情況下,該方法仍能較好的對(duì)滾動(dòng)軸承的退化趨勢(shì)進(jìn)行預(yù)測(cè)。第六章,對(duì)本論文的研究工作內(nèi)容進(jìn)行了全面的總結(jié),并對(duì)有必要進(jìn)行進(jìn)一步開(kāi)展研究的工作進(jìn)行了展望。
【關(guān)鍵詞】：無(wú)限隱Markov模型 譜峭度 小波熵 故障診斷 退化趨勢(shì)預(yù)測(cè) 缺失數(shù)據(jù)
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH17
【目錄】：

• 摘要3-5
• Abstract5-9
• 第1章 緒論9-18
• 1.1 課題的提出及其研究意義9-10
• 1.2 隱Markov模型的研究現(xiàn)狀10-11
• 1.3 隱Markov模型在機(jī)械故障診斷中的研究現(xiàn)狀11-13
• 1.4 無(wú)限隱Markov模型的國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.5 論文的主要內(nèi)容與創(chuàng)新之處15-17
• 1.5.1 論文的主要內(nèi)容15-16
• 1.5.2 關(guān)鍵問(wèn)題及創(chuàng)新點(diǎn)16-17
• 1.6 本章小結(jié)17-18
• 第2章 無(wú)限隱Markov模型理論與算法18-34
• 2.1 引言18
• 2.2 隱Markov模型理論及其存在的不足18-22
• 2.2.1 隱Markov模型的理論基礎(chǔ)19
• 2.2.2 隱Markov模型的三個(gè)基本問(wèn)題19-20
• 2.2.3 隱Markov模型的三個(gè)基本問(wèn)題的求解20-21
• 2.2.4 隱Markov模型存在的不足21-22
• 2.3 無(wú)限隱Markov模型理論22-29
• 2.3.1Dirichlet過(guò)程計(jì)算狀態(tài)間轉(zhuǎn)移概率23-24
• 2.3.2 分層Dirichlet過(guò)程(HDP)推理隱狀態(tài)轉(zhuǎn)移機(jī)制24-26
• 2.3.3 分層Dirichlet過(guò)程(HDP)推理生成機(jī)制26-27
• 2.3.4 超越參數(shù)的推理、優(yōu)化和似然估計(jì)27-29
• 2.4 仿真實(shí)例29-32
• 2.5 iHMM在故障診斷中的作用32-33
• 2.6 本章小結(jié)33-34
• 第3章 基于iHMM的旋轉(zhuǎn)機(jī)械故障診斷方法研究34-44
• 3.1 引言34
• 3.2 譜峭度特征提取34-35
• 3.3 故障診斷模型的建立35
• 3.4 實(shí)驗(yàn)研究35-43
• 3.5 本章小結(jié)43-44
• 第4章 基于無(wú)限隱Markov模型的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)44-61
• 4.1 引言44-45
• 4.2 滾動(dòng)軸承信號(hào)退化特征信號(hào)提取45-48
• 4.2.1 小波變換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理論和算法48-51
• 4.4 特征提取仿真研究51-53
• 4.5 預(yù)測(cè)模型建立53-54
• 4.6 實(shí)驗(yàn)研究54-59
• 4.7 本章小結(jié)59-61
• 第5章 缺失數(shù)據(jù)下的基于iHMM滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)61-66
• 5.1 引言61-62
• 5.2 缺失數(shù)據(jù)下iHMM預(yù)測(cè)方法選擇62
• 5.3 缺失數(shù)據(jù)下iHMM預(yù)測(cè)模型建立62-63
• 5.4 實(shí)驗(yàn)研究63-65
• 5.4.1 缺失數(shù)據(jù)處理64
• 5.4.2 退化趨勢(shì)預(yù)測(cè)64-65
• 5.5 本章小結(jié)65-66
• 第6章 總結(jié)與展望66-68
• 6.1 總結(jié)66-67
• 6.2 展望67-68
• 參考文獻(xiàn)68-74
• 攻讀碩士學(xué)位期間發(fā)表的論文和參加科研情況74-75
• 致謝75-76

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 楊基棟;;缺失數(shù)據(jù)的插補(bǔ)方法及其統(tǒng)計(jì)分析[J];華北水利水電學(xué)院學(xué)報(bào);2010年02期

2 梁怡;龐應(yīng)周;;缺失數(shù)據(jù)常見(jiàn)插補(bǔ)調(diào)整方法的比較[J];內(nèi)蒙古科技與經(jīng)濟(jì);2013年23期

3 蘇曦;郭鵬江;夏志明;;兩指數(shù)總體帶缺失數(shù)據(jù)的參數(shù)估計(jì)和檢驗(yàn)[J];三峽大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

4 荊文君;張曉琴;常王華;;一種基于成分?jǐn)?shù)據(jù)的修正EM算法[J];中北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

5 孫曉松;;利用logit模型判定數(shù)據(jù)缺失機(jī)制[J];山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年02期

6 羅雙華;玄海燕;李敦剛;;缺失數(shù)據(jù)下局部線性回歸估計(jì)的漸近性質(zhì)[J];蘭州理工大學(xué)學(xué)報(bào);2007年01期

7 李佳寧;;有缺失數(shù)據(jù)的雙向有序方列聯(lián)表統(tǒng)計(jì)推斷[J];大連交通大學(xué)學(xué)報(bào);2007年02期

8 徐亮;李艷;林金官;夏樂(lè)天;;基于SA-MCMC算法的非線性測(cè)量誤差模型數(shù)據(jù)刪除影響[J];河海大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

9 李正農(nóng);鄭晶;秦付倩;吳紅華;;風(fēng)場(chǎng)實(shí)測(cè)數(shù)據(jù)缺失的插補(bǔ)方法研究[J];自然災(zāi)害學(xué)報(bào);2014年03期

10 李中恢;任海平;;含缺失數(shù)據(jù)時(shí)分組數(shù)據(jù)的AMSAA模型的Bayes分析[J];蘭州理工大學(xué)學(xué)報(bào);2008年05期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前8條

1 耿直;葛丹丹;;縱向研究非隨機(jī)缺失數(shù)據(jù)分析[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 管河山;姜青山;Steven X.Wei;;一種處理缺失數(shù)據(jù)的新方法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

3 陳楠;劉紅云;;基于增長(zhǎng)模型的缺失數(shù)據(jù)處理方法之比較[A];心理學(xué)與創(chuàng)新能力提升——第十六屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

4 肖進(jìn);賀昌政;;面向缺失數(shù)據(jù)的客戶價(jià)值區(qū)分集成模型研究[A];中國(guó)企業(yè)運(yùn)籌學(xué)[2010(1)][C];2010年

5 曾莉;張淑梅;辛濤;;IRT模型中缺失數(shù)據(jù)處理方法比較[A];第十一屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

6 孫玲;劉浩;袁長(zhǎng)亮;;北京市城市快速路微波檢測(cè)缺失數(shù)據(jù)分析[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

7 張香云;;基于EM算法缺失數(shù)據(jù)下混合模型的參數(shù)估計(jì)[A];第十三屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2011年

8 李曉煦;侯杰泰;;結(jié)構(gòu)方程中缺失數(shù)據(jù)的處理:FIML,EM與MI[A];全國(guó)教育與心理統(tǒng)計(jì)測(cè)量學(xué)術(shù)年會(huì)論文摘要集[C];2006年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 馬友;基于QoS缺失數(shù)據(jù)預(yù)測(cè)的個(gè)性化Web服務(wù)推薦方法研究[D];北京郵電大學(xué);2015年

2 彭清艷;廣義函數(shù)型回歸模型及缺失數(shù)據(jù)模型[D];云南大學(xué);2016年

3 駱汝九;多指標(biāo)綜合評(píng)價(jià)的非參數(shù)方法和缺失數(shù)據(jù)的聚類方法研究[D];揚(yáng)州大學(xué);2011年

4 祝麗萍;幾種缺失數(shù)據(jù)和高維數(shù)據(jù)模型的統(tǒng)計(jì)分析[D];山東大學(xué);2012年

5 賈博婷;缺失數(shù)據(jù)下一類整值時(shí)間序列的統(tǒng)計(jì)推斷[D];吉林大學(xué);2014年

6 劉旭;在完全和缺失數(shù)據(jù)下基于非光滑估計(jì)方程的統(tǒng)計(jì)推斷與變量選擇問(wèn)題[D];云南大學(xué);2010年

7 趙鵬飛;混沌數(shù)據(jù)恢復(fù)與非線性系統(tǒng)的模型參考控制[D];吉林大學(xué);2010年

8 陸福忠;數(shù)據(jù)缺失下的分布函數(shù)估計(jì)問(wèn)題[D];復(fù)旦大學(xué);2007年

9 趙慧秀;可交換的兩值數(shù)據(jù)的統(tǒng)計(jì)分析[D];東北師范大學(xué);2009年

10 付志慧;多維項(xiàng)目反應(yīng)模型的參數(shù)估計(jì)[D];吉林大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 楊利華;缺失數(shù)據(jù)的處理方法研究及應(yīng)用[D];景德鎮(zhèn)陶瓷學(xué)院;2011年

2 袁中萸;多元線性回歸模型中缺失數(shù)據(jù)填補(bǔ)方法的效果比較[D];中南大學(xué);2008年

3 褚培肖;缺失數(shù)據(jù)下的有限混合計(jì)數(shù)數(shù)據(jù)模型的統(tǒng)計(jì)推斷研究[D];昆明理工大學(xué);2015年

4 申寧寧;縱向研究缺失數(shù)據(jù)多重填補(bǔ)及混合效應(yīng)模型分析[D];山西醫(yī)科大學(xué);2015年

5 李少瓊;縱向研究二分類缺失數(shù)據(jù)處理及加權(quán)估計(jì)方程的應(yīng)用[D];山西醫(yī)科大學(xué);2015年

6 高宇釗;比值缺失數(shù)據(jù)的多重估算與心臟康復(fù)二級(jí)預(yù)防干預(yù)效果評(píng)價(jià)及應(yīng)用[D];山西醫(yī)科大學(xué);2015年

7 李順靜;基于EM算法的缺失數(shù)據(jù)的統(tǒng)計(jì)分析及應(yīng)用[D];重慶工商大學(xué);2015年

8 汪靜波;Logistic回歸模型中缺失數(shù)據(jù)的處理[D];南京大學(xué);2015年

9 朱建斐;數(shù)據(jù)集缺失數(shù)據(jù)恢復(fù)算法研究[D];西安電子科技大學(xué);2015年

10 楊旭;多視角數(shù)據(jù)缺失補(bǔ)全問(wèn)題研究[D];北京交通大學(xué);2016年

，

本文編號(hào)：539182