[发明专利]基于FCM-HMM的滚动轴承的性能退化评估方法

权利要求书

1.基于FCM-HMM的滚动轴承性能退化评估方法，其特征为，其具体步骤：

(1)提取特征：用无故障数据样本和同类轴承的失效数据样本建立AR模型，得到AR模型的自回归系数和残差，由AIC准则确定AR模型的阶数，把AR模型的系数和残差作为输入特征向量；

(2)建立模型：用无故障数据样本和同类轴承的失效数据样本特征建立FCM模型并且得到正常和失效聚类中心c₁,c₂；用无故障数据样本特征建立隐马尔科夫模型；再用无故障数据和同类轴承的失效特征建立第二个FCM模型得到正常和失效聚类中心c₁₁,c₂₂；

(3)实时评估：把得到的两个性能退化指标DI和似然概率输出值P作为输入特征，保持模型不变通过连续迭代再输入到建立好的第二个FCM模型中，得到性能退化指标，描绘出滚动轴承的性能退化曲线。

2.如权利要求1所述的基于FCM-HMM的滚动轴承性能退化评估方法，其特征为，所述提取特征的具体内容：

(a)用前100组早期无故障样本和同类轴承后10组失效样本建立AR模型；

(b)提取AR模型的自回归系数和残差，由AIC准则确定AR模型的阶数为14，把包括模型残差在内的这15个参数作为输入特征向量。

3.如权利要求1所述的基于FCM-HMM的滚动轴承性能退化评估方法，其特征为，所述建立模型的具体内容：

(1)模型参数初始化：

(a)FCM的参数的求解步骤为：定义样本集合X＝{x₁,x₂,…,x_N}，其中每一个对象x_k有n个特性指标，设为x_k＝(x_1k,x_2k,…,x_nk)^T，若把X分成c类则每一个分类结果都对应一个c×N阶的隶属度矩阵U＝[u_ik]_c×N，对应模糊c划分空间为u_ik的限制条件为：在此空间上模糊C均值算法如下：

1)给定迭代停止阈值ε、模糊加权指数q和聚类数目c，并设置迭代计数器l＝1；

2)计算聚类中心

3)计算隶属度矩阵，对1≤k≤N，1≤i≤c有直到||U^(l)-U^(l-1)||＜ε时停止迭代，反之l＝l+1，继续步骤2)和步骤3)；

(b)隐马尔可夫模型λ＝(π,A,B)中的参数的求解步骤为：由开始选取的初始模型λ₀＝(π,A,B)与观测序列O以及重估公式求解到的新参数是是我们得到的新模型，重估公式如下：

且o_t＝v_k

可证：重复计算过程，一步步地改进模型的参数直到满足给定的收敛条件，模型的即输出概率值没有明显增大，此时的λ就是所求之模型；

(2)模型建立：

用110组样本组成大小为110×15的矢量特征建立FCM模型，并且得到正常和失效聚类中心c₁,c₂；用前100组无故障数据建立HMM模型。

4.如权利要求3所述的基于FCM-HMM的滚动轴承性能退化评估方法，其特征为，所述模型参数初始化的条件设置：建立FCM模型时需给定迭代停止阈值ε₁＝10^-4、模糊加权指数q＝2和聚类数目c＝2，并设置迭代计数器l＝1，计算聚类中心c_i和隶属度矩阵u_ik，建立HMM需三个参数，概率分布矩阵π、状态转移概率矩阵A和观测值转移概率矩阵B1，迭代停止阈值取ε₂＝10^-3，初始状态概率向量π和状态转移概率矩阵A随机生成，用Viterbi算法对观测值概率分布B1进行初始化。

5.如权利要求1所述的基于FCM-HMM的滚动轴承性能退化评估方法，其特征为，所述实时评估的具体内容：FCM和HMM模型建立后，将待测数据点保持模型不变通过连续迭代的方式分别输入到已经训练好的模型当中去，得到滚动轴承的两个性能退化指标DI和似然概率输出值P，用前100组无故障数据和同类轴承的后10组失效数据组成大小为110×2的矢量特征建立FCM模型得到正常和失效聚类中心c₁₁,c₂₂，把得到的两个性能退化指标DI和似然概率输出值P作为输入特征，保持模型不变通过连续迭代再输入到建立好的FCM模型中，描绘出性能退化曲线。