[发明专利]基于慢特征分析和隐马尔科夫的健康状态评估方法

权利要求书

1.一种基于慢特征分析和隐马尔科夫模型的系统健康状态评估方法，其特征在于，包括以下步骤：

数据处理阶段，具体为：

采集特征历史数据，建立数据集，如式（1）得到数据均值方差，并进一步数据归一化处理，

式（2）中形式得到数据：

。

2.数据分析阶段，具体为：

为了达到对数据的降维的目的，采用慢特征分析方法对数据进行慢度分析，慢特征分析（Slow feature analysis，SFA）方法，从数据中提取缓慢变化的LV，对故障检测的精准度进行提升；

优化问题定义如式（3）：

）

在本研究中，我们的目的就是找到一个矩阵表示系数向量，放大走行部特征数据的可能性与之间的关联性，即：

进行第一次奇异值分解并经式（5）式（6）转化得到预处理之后的白化数据：

定义：

转换问题为找到矩阵P：

第二次SVD：

得到慢特征：

。

3.状态评估阶段，具体为：

利用已拟定评估状态的特征数据作为提出的方法状态评估的评判标准，对数据的训练以及分析，隐马尔可夫模型（Hidden Markov Model，HMM）是一种用来描述一个含有隐含未知参数的马尔可夫过程的统计过程；

根据前向概率与后向概率可以将观测序列概率写成：

求HMM 的最优状态序列问题常采用逐步搜索前进的Viterbi 算法，以得到目标状态序列，定义辅助变量：

得到使函数取得最大值时的变量值，即最优路径；

找出合适的模型参数 (, A, B) 让P(O|)最大，利用最大似然估计求解：对目标对数似然函数P，如下式（12）求解，可得到模型的参数；

对HMM重估，通过让输出概率P(O|)达到最大，训练模型，定义：

可得到最大值，利用与A,B矩阵， ,之间的关系式，得到构造辅助函数得出，进而重新得出模型，整个过程完成了对已处理特征数据训练与评估的目的。