[发明专利]基于层次链接无限隐Markov模型的故障诊断方法

权利要求书

1.一种基于层次链接无限隐Markov模型的故障诊断方法，其特征在于，具体步骤如下：

1)利用传感器获取的故障数据，并进行傅里叶变换预处理，提取特征量；

2)采用Lloyds信源编码技术编码对特征量的标量进行量化，构建出训练集数据，并从中随机选取数据作为测试集数据；

3)初始化故障诊断模型参数，建立层次链接无限隐Markov故障诊断模型，初始化故障诊断模型参数如下：

自转移先验参数α的确定：任意给定自转移参数的初始值，经迭代得到收敛曲线，当曲线中明显看到一个相对的稳定值，则将其选为自转移先验参数α；

观测状态对应隐状态数目γ的确定：任意给定观测状态对应参数的初始值，经迭代得到收敛曲线，当曲线中明显看到一个相对的稳定值，则选为观测状态对应隐状态数目γ的先验参数；

隐状态数K值的确定：任意给定状态数的初始值，经迭代得到收敛曲线，当收敛曲线中明显看到一个相对的稳定值，则选为隐状态数K值的先验参数；

构造的无限隐Markov数学模型，且数学表达式如下：

β～GEM(λ)   (1)

π_k～DP(α₀,β)    (2)

μ_k～H＝N(0,∑0)   (4)

式中：“～”表示服从分布，λ为iHMM中的基测度；β为iHMM中由λ控制产生的基分布，π_k为iHMM中的第一层基分布，s_t为iHMM中的第二层基分布，H是由N产生的并表示一个统计分布，μ_k是H统计分布产生的变量，y_t是以N为函数而产生的变量；

拓展iHMM为hiHMM：引入数据集数量表示符号C，C表示在某种部件故障体系下类似数据集的数量，c∈(1,2,3...C),其数学表达式变更为：

β～GEM(λ)     (6)

式(6)～式(10)在式(1)～式(5)的基础上添加了C,表示为在拥有多个数据集合下构造的iHMM；通过联立多个共享先验或是潜在变量的iHMM来联合推断一组序列，构造出最终的hiHMM故障诊断模型；

并在相邻的数据集之间引入自转移概率：

4)经过层次链接无限隐Markov故障诊断模型训练后，得到故障诊断模型输出量；该输出量由以下三部分组成：

a)初始概率向量：初始概率向量表示每种隐状态最初分配的每种隐状态的概率，概率总和为1，即100％；经过迭代训练后得到了每种故障的初始概率向量；

b)状态转移矩阵：状态转移矩阵表示隐状态由一个状态转移到另一个状态的概率值，经过步骤3)中隐状态数K值在迭代后收敛时确定一个数值，状态转移矩阵的行列数都为该数值；经迭代训练后得到了每种故障的状态转移矩阵；

c)发射矩阵：发射矩阵表示由当前机械运行时刻对应的隐状态转移到观测状态的概率，行数为隐状态数，列数为观测状态数；经迭代训练后得到了每种故障的状态转移矩阵；

5)将每种故障对应的初始概率向量、状态转移矩阵和发射矩阵合并，建立对应的各种故障的hiHMM诊断模型；

6)将测试集数据特征量输入到所有故障状态的hiHMM诊断模型中进行识别，得到的对数似然估计概率值与其所属故障状态的最大对数似然概率值相差的绝对值最小，则判断该状态数据属于该故障类型；

7)同时使用无限隐Markov故障诊断方法，采用步骤1)中同样的预处理与特征提取方法进行处理并训练，得出这种故障诊断模型，并输入测试集数据，得到最后的识别结果。