【摘要】：智能診斷技術(shù)是機(jī)械故障診斷領(lǐng)域的發(fā)展趨勢(shì)。隱馬爾科夫模型作為智能診斷技術(shù)的一種，具有極強(qiáng)的對(duì)動(dòng)態(tài)過(guò)程時(shí)間序列的建模能力和時(shí)序模式分類能力。隱馬爾科夫模型的這些特點(diǎn)使得它在故障診斷領(lǐng)域具有很好的應(yīng)用前景，尤其是在系統(tǒng)復(fù)雜、機(jī)械設(shè)備眾多、可靠性要求高的故障診斷中。它不僅可以用于穩(wěn)態(tài)功率運(yùn)行過(guò)程中機(jī)械設(shè)備異常狀態(tài)的識(shí)別，而且對(duì)于旋轉(zhuǎn)機(jī)械升降速過(guò)程信號(hào)的建模和識(shí)別具有很強(qiáng)的針對(duì)性。目前采用隱馬爾科夫模型對(duì)簡(jiǎn)單設(shè)備進(jìn)行故障診斷已經(jīng)可以取得非常好的識(shí)別結(jié)果。但是當(dāng)條件復(fù)雜、故障種類多時(shí)，隱馬爾科夫模型的分類性能往往會(huì)出現(xiàn)較大的降低。 本文在“十一五”國(guó)防基礎(chǔ)科研項(xiàng)目(項(xiàng)目編號(hào)：B0120060585)：“基于隱馬爾可夫模型－人工免疫系統(tǒng)的核動(dòng)力系統(tǒng)故障診斷技術(shù)研究”以及國(guó)家高技術(shù)研究發(fā)展計(jì)劃“863計(jì)劃”項(xiàng)目(項(xiàng)目編號(hào)：2008AA04Z407)：“基于隱馬爾可夫—支持向量機(jī)的核電裝備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)研究”開展研究工作。本文研究的目的是通過(guò)核動(dòng)力故障模擬裝置的實(shí)驗(yàn)驗(yàn)證研究，解決HMM模型故障診斷時(shí)一旦故障種類增多、部分特征不明顯且相似時(shí)識(shí)別率顯著下降的問(wèn)題，從而為HMM智能診斷技術(shù)在核動(dòng)力關(guān)鍵設(shè)備等復(fù)雜設(shè)備診斷上的實(shí)際應(yīng)用提供技術(shù)保證與理論支持。 論文的主要圍繞以下幾個(gè)問(wèn)題展開： 1、人工免疫理論與隱馬爾科夫模型診斷系統(tǒng)的結(jié)合解決隱馬爾科夫模型訓(xùn)練受初始值影響大的問(wèn)題。 本文通過(guò)在隱馬爾科夫模型訓(xùn)練過(guò)程中引入克隆選擇原理實(shí)現(xiàn)了局部最優(yōu)的跳出；在此基礎(chǔ)上重新劃分抗體集合P，采用最優(yōu)集克隆選擇算法彌補(bǔ)克隆選擇算法多樣性的不足；并增加約束及估計(jì)主鍵的方式，將B矩陣降維至矩陣B*從而降低問(wèn)題的復(fù)雜度。此外還借鑒了超球體空間覆蓋原理避免變異算子部分功能與Baum-Welch算子功能出現(xiàn)重合導(dǎo)致的無(wú)效計(jì)算，并且通過(guò)BCSA算法最優(yōu)集+最優(yōu)組合尋求算法的方式解決了復(fù)雜條件下HMMs模型庫(kù)需要大量的人工挑選的困難。 2、研究增強(qiáng)隱馬爾科夫模型模型分類能力的問(wèn)題。 本文采用HMM/SVM結(jié)構(gòu)，引入支持向量機(jī)從外部彌補(bǔ)隱馬爾科夫模型故障診斷系統(tǒng)應(yīng)對(duì)復(fù)雜條件的分類能力；構(gòu)建馬爾科夫鏈HMM網(wǎng)絡(luò)從內(nèi)部通過(guò)類間信息學(xué)習(xí)提高隱馬爾科夫模型故障診斷系統(tǒng)應(yīng)對(duì)復(fù)雜條件下分類的能力；并且建立了多通道馬爾科夫鏈隱馬爾科夫網(wǎng)絡(luò)模型故障診斷方法。 3、實(shí)驗(yàn)驗(yàn)證 本文采用主泵故障模擬實(shí)驗(yàn)裝置上的測(cè)試實(shí)驗(yàn)對(duì)前文提出的故障診斷方法進(jìn)行驗(yàn)證。通過(guò)測(cè)試實(shí)驗(yàn)可以證明，本文提出的復(fù)雜條件下基于隱馬爾科夫模型的故障診斷方法是有效的。 通過(guò)對(duì)復(fù)雜條件下HMM故障診斷技術(shù)的研究，本文對(duì)泵故障模擬裝置的4大類故障，13種狀態(tài)的進(jìn)行了模擬和診斷。在采用結(jié)合免疫原理的HMM優(yōu)化訓(xùn)練算法有效提高訓(xùn)練效率的基礎(chǔ)上，HMM/SVM混合模型可將模擬裝置穩(wěn)定狀態(tài)的平均識(shí)別率從86.8%提高到94.8%，HMM網(wǎng)絡(luò)模型的平均識(shí)別率也可達(dá)到93.4%。兩種方法均有效改善了系統(tǒng)在故障種類增多、部分特征不明顯且相似等復(fù)雜條件下的識(shí)別性能。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2012
【分類號(hào)】：TH165.3
【文章目錄】：
摘要
Abstract
圖目錄
表目錄
主要符號(hào)表
第一章 緒論
    1.1 本文的研究背景及研究意義
    1.2 智能診斷技術(shù)及其在故障診斷中的應(yīng)用
        1.2.1 專家系統(tǒng)
        1.2.2 人工神經(jīng)網(wǎng)絡(luò)
        1.2.3 隱馬爾可夫模型
        1.2.4 人工免疫系統(tǒng)
        1.2.5 支持向量機(jī)
        1.2.6 混合模型
    1.3 隱馬爾可夫模型的發(fā)展歷程
        1.3.1 隱馬爾可夫模型的參數(shù)及結(jié)構(gòu)
        1.3.2 隱馬爾可夫模型的發(fā)展
    1.4 本文的主要內(nèi)容
第二章 泵故障模擬裝置及其故障診斷系統(tǒng)
    2.1 引言
    2.2 泵故障模擬裝置
        2.2.1 實(shí)驗(yàn)儀器與裝置
        2.2.2 主泵故障模擬方案
        2.2.3 數(shù)據(jù)采集系統(tǒng)及采集參數(shù)
    2.3 基于HMM的故障診斷系統(tǒng)
        2.3.1 基于HMM的故障診斷流程
        2.3.2 特征提取方法
        2.3.3 HMMs模型庫(kù)訓(xùn)練
        2.3.4 分類決策
    2.4 故障診斷結(jié)果及分析
        2.4.1 啟動(dòng)過(guò)程故障診斷結(jié)果
        2.4.2 穩(wěn)定過(guò)程故障診斷結(jié)果
        2.4.3 結(jié)論及新的問(wèn)題
    2.5 本章小結(jié)
第三章 結(jié)合人工免疫原理的HMM訓(xùn)練方法
    3.1 引言
    3.2 人工免疫系統(tǒng)
    3.3 結(jié)合克隆選擇算法的HMM訓(xùn)練算法
        3.3.1 初始值對(duì)HMM模型似然率的影響
        3.3.2 HMM模型參數(shù)空間分析
        3.3.3 采用克隆選擇原理HMM訓(xùn)練算法的總體流程
        3.3.4 克隆選擇原理HMM訓(xùn)練算法中的定義
        3.3.5 訓(xùn)練算法的具體實(shí)現(xiàn)
    3.4 借鑒球形空間覆蓋原理的進(jìn)一步算法優(yōu)化
        3.4.1 B矩陣降維
        3.4.2 超球體空間覆蓋
    3.5 BCSA算法中HMM模型集Mb的利用
    3.6 實(shí)驗(yàn)及訓(xùn)練結(jié)果
        3.6.1 算法尋優(yōu)性能與計(jì)算效率比較
        3.6.2 結(jié)合免疫原理HMM訓(xùn)練算法的局部極值跳出能力
        3.6.3 主要訓(xùn)練參數(shù)對(duì)算法計(jì)算量的影響
    3.7 本章小結(jié)
第四章 基于HMM/SVM模型的故障診斷方法
    4.1 引言
    4.2 支持向量機(jī)
    4.3 HMM/SVM混合模型
        4.3.1 混合模型基本架構(gòu)
        4.3.2 混合模型的訓(xùn)練與識(shí)別
        4.3.3 HMM/SVM模型診斷數(shù)據(jù)庫(kù)的擴(kuò)展
    4.4 模型性能與故障診斷結(jié)果
        4.4.1 模型性能及參數(shù)影響
        4.4.2 故障診斷結(jié)果
    4.5 本章小結(jié)
第五章 基于HMM網(wǎng)絡(luò)的故障診斷方法
    5.1 引言
    5.2 HMM網(wǎng)絡(luò)的基本原理
        5.2.1 HMM免疫網(wǎng)絡(luò)的基本結(jié)構(gòu)
        5.2.2 HMM網(wǎng)絡(luò)的構(gòu)建
        5.2.3 HMM網(wǎng)絡(luò)的訓(xùn)練
    5.3 基于馬爾科夫鏈的HMM網(wǎng)絡(luò)
        5.3.1 馬爾科夫鏈與免疫網(wǎng)絡(luò)的統(tǒng)一
        5.3.2 已知馬爾科夫鏈的HMM網(wǎng)絡(luò)訓(xùn)練方法
    5.4 基于HMM網(wǎng)絡(luò)的分類方法
    5.5 基于HMM網(wǎng)絡(luò)的多通道信號(hào)識(shí)別方法
    5.6 基于HMM網(wǎng)絡(luò)的故障診斷
    5.7 本章小結(jié)
第六章 結(jié)論與展望
    6.1 研究總結(jié)與結(jié)論
    6.2 研究展望
參考文獻(xiàn)
附錄一 主泵故障模擬裝置故障診斷軟件
附錄二 部分算法C++源代碼
攻讀博士學(xué)位期間取得的研究成果
致謝
附件

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10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(shí)別方法及應(yīng)用[J];兵工學(xué)報(bào);2008年02期

2 陳強(qiáng);鄭德玲;李湘萍;;基于人工免疫的故障診斷模型及其應(yīng)用[J];北京科技大學(xué)學(xué)報(bào);2007年10期

3 王強(qiáng);陳歡歡;王珽;;一種基于多類支持向量機(jī)的故障診斷算法[J];電機(jī)與控制學(xué)報(bào);2009年02期

4 熊浩;孫才新;陳偉根;杜林;廖玉祥;;電力變壓器故障診斷的人工免疫網(wǎng)絡(luò)分類算法[J];電力系統(tǒng)自動(dòng)化;2006年06期

5 劉樹林,張嘉鐘,王日新,時(shí)文剛;基于免疫系統(tǒng)的旋轉(zhuǎn)機(jī)械在線故障診斷[J];大慶石油學(xué)院學(xué)報(bào);2001年04期

6 劉震;王厚軍;龍兵;張治國(guó);;一種基于加權(quán)隱馬爾可夫的自回歸狀態(tài)預(yù)測(cè)模型[J];電子學(xué)報(bào);2009年10期

7 張雷;胡彥紅;陳巍巍;劉秋皊;林建中;張麗芳;;基于EKF訓(xùn)練的歸一化RBF神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];中國(guó)工程機(jī)械學(xué)報(bào);2010年01期

8 周愛(ài)華;張彼德;張厚宣;;基于人工免疫分類算法的電力變壓器故障診斷[J];高電壓技術(shù);2007年08期

9 劉永闊,夏虹,謝春麗,閻昌琪;基于模糊神經(jīng)網(wǎng)絡(luò)的核動(dòng)力裝置設(shè)備故障診斷系統(tǒng)研究[J];核動(dòng)力工程;2004年04期

10 張健德;楊明;;核電站混合式故障診斷系統(tǒng)的開發(fā)和評(píng)價(jià)[J];核動(dòng)力工程;2007年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 曾慶虎;機(jī)械傳動(dòng)系統(tǒng)關(guān)鍵零部件故障預(yù)測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

2 葉大鵬;基于2D-HMM的旋轉(zhuǎn)機(jī)械故障診斷方法及其應(yīng)用研究[D];浙江大學(xué);2004年

3 劉永闊;核動(dòng)力裝置故障診斷智能技術(shù)的研究[D];哈爾濱工程大學(xué);2006年

4 何廣杰;克隆選擇算法及其在地基工程若干問(wèn)題中的應(yīng)用[D];西南交通大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 花靜;基于HMM/SVM混合架構(gòu)的連續(xù)語(yǔ)音識(shí)別系統(tǒng)的研究[D];哈爾濱工業(yè)大學(xué);2006年

2 江涌濤;基于隱馬爾可夫模型及支持向量機(jī)的機(jī)床切削顫振在線監(jiān)測(cè)[D];南華大學(xué);2007年

3 儲(chǔ)為新;SVM和HMM混合模型的研究及其應(yīng)用[D];江南大學(xué);2008年

4 潘洋;基于改進(jìn)的HMM/SVM構(gòu)架的語(yǔ)音識(shí)別系統(tǒng)的研究[D];蘭州大學(xué);2009年

本文編號(hào)：2867965