[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

说明书

本发明公开了一种基于慢特征分析与隐马尔科夫模型相结合的健康状态评估模型方法，具体属于自动检测技术领域。本方法分为数据处理，数据分析与状态评估三部分：在数据处理过程中，首先对影响控制因素进行了分析，并对数据去燥处理；接着在数据分析过程中，利用慢特征分析对数据进行降维并筛选出最慢度特征，同时基于慢特征细化引入相关度函数拟合以达到特征选择的目的；状态评估过程主要是基于历史数据信息与专家经验知识对数据进行指标规划与健康分类，通过建立隐马尔科夫健康状态评估模型完成对慢特征的建模，完成对数据训练与评估的目的。经案例仿真分析发现，本发明所提方法达到了对系统健康状态评估的目的。

技术领域

本发明属于自动检测技术领域，具体涉及一种基于慢特征分析和隐马尔科夫的健康状态评估方法

背景技术

随着高速列车等大型复杂机电系统在交通运输中的重要性不断提升，安全可靠性是其运营需要考虑的第一要素，对其控制系统的精度要求越来越高。而随着运行时间的增加，复杂机电系统受恶劣环境与过载的影响加重，致使需要对其组成器件健康状况进行精确掌握，进而保障乘坐人员的人身及财产安全。

慢特征分析是使用来自时间信号的信息学习不变特征的线性因子模型，近年来多被用来进行过程监控，深层图像识别，慢特征分析利用“慢性原则”不仅可以对数据分析降维，也可以根据数据的特征得出慢度变化，并保留其物理意义。作为统计模型，隐马尔可夫通常在过程监控中，可以根据概率值与历史数据状态信息，提取并评估系统健康状态。

发明内容

本发明的目的是针对上述的问题，提出了一种基于慢特征分析的健康状态评估模型，在方法上对数据进行慢特征分析并应用于隐马尔可夫模型上。

本发明具体采用如下技术方案：

一种基于慢特征分析和隐马尔科夫的健康状态评估方法，包括以下步骤：

11、数据处理阶段，具体为：

111、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，

112、如式(2)中x(k)形式得到数据：

12、数据分析阶段，具体为：

121、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。

122、优化问题定义如式(3)：

s＝Wx (3)

123、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：

W＝[w₁ w₂ ... w_m]^T (4)

124、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：

xx^T_t＝UΛU^T (5)

z＝Λ^-1/2U^Tx＝Qx (6)

125、定义：

zz^T_t＝Qxx^T_tQ^T＝I (7)

转换问题为找到矩阵P：S＝Pz＝PQx，findP＝WQ^-1