[发明专利]基于层次链接无限隐Markov模型的故障诊断方法

说明书

本发明公开了一种基于层次链接无限隐Markov模型的故障诊断方法。采用Lloyds信源编码技术编码对特征量的标量进行量化，并从中随机选取数据作为测试集数据；建立层次链接无限隐Markov故障诊断模型，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；建立对应的各种故障的hiHMM诊断模型；与特征提取方法进行处理并训练，得到最后的识别结果。克服了隐Markov模型(HMM)故障诊断方法中缺乏自适应的不足，也克服了iHMM故障诊断模型中只能提供单一观测序列模型的问题，还解决了iHMM故障诊断模型中参数自转移的问题。在故障诊断领域中具有重要的工程应用价值和广阔的应用前景。

技术领域

本发明涉及机械设备的故障诊断方法，特别涉及一种基于层次链接无限隐Markov模型的故障诊断方法。

背景技术

隐Markov模型(Hidden Markov Model，HMM)作为一种时间序列的统计模型在故障诊断领域获得了广泛的应用。刘杰等^[1]考虑到齿轮箱对风电机组的运行状态及劣化趋势相当重要，利用HMM的分类特性，提出了基于HMM的风电机组齿轮状态评估方法。郑小霞等^[2]针对电机中的滚动轴承最容易发生故障的现象，使用HMM对滚动轴承的健康状态进行评估来保证机组的正常运行。严颖等研究了一种动态的隐马尔可夫模型，并将其应用到暖通空调机组的故障诊断中来精确描述设备间动态变化的故障状态。薛红涛等^[3]提出基于混合Weibull与HMM结合的轮毂电机机械故障诊断方法保障电动汽车的运行安全。Ocak等^[4]提出了一种基于振动信号隐马尔可夫模型的轴承故障检测与诊断方法。Huang等^[5]为减少城市交通安全隐患，避免灾害事件发生，针对城市轨道交通的电机驱动系统的预测提出了一种改进的隐马尔可夫模型算法。Aditiya等^[6]研究了一种基于隐马尔可夫模型的旋转机械故障诊断系统，通过该系统在相关行业中做到早期检测诊断降低维护所需成本。李志农等^[7]给出了一种量子粒子群优化Volterra时域核辨识的隐Markov模型故障识别方法。

虽然基于HMM的故障诊断研究中取得了一些进展，然而，在基于HMM的故障诊断中，无法准确定义隐状态数目与其在EM算法中的M步骤估计存在问题，导致HMM在一些领域应用受到了较大的限制。为此，针对基于HMM的故障诊断中的不足，提出了基于无限隐马尔可夫模型(iHMM)的故障诊断方法[8，9]，在提出的iHMM故障诊断方法中，通过两级分层的Dirichlet过程使得iHMM的灵活性远高于传统的HMM，且因其不再需要自定义隐状态数量，克服了传统HMM的缺陷，可自适应地定义隐状态的数目，也不再对隐状态数目进行限制数量。然而，随着问题的研究深入，iHMM故障诊断方法也暴露了一些不足，例如，该模型对多故障旋转部件诊断时需对各个故障进行单独建模，iHMM只是提供了一个个单一的观测序列模型，即每个通过iHMM训练学习的模型都独立于某个体系下其他的iHMM，此处割裂了各个故障产生时之间联系。与此同时，参数自转移的问题也会对后续的诊断过程造成很大的影响。为了解决iHMM故障诊断方法存在的问题，因此本发明在此基础上提出了一种基于hiHMM的故障诊断方法。

综上所述：由最初的HMM，拓展到iHMM，再发展到本文提出的hiHMM，是算法模型一步一步改进的过程。