基于隐半Markov模型的故障诊断和故障预测方法研究

被引：38

作者：

胡海峰 ^{[1
]}

安茂春 ^{[2
]}

秦国军 ^{[1
]}

胡茑庆 ^{[1
]}

机构：

[1] 国防科学技术大学机电工程与自动化学院

[2] 总装备部预研管理中心

来源：

兵工学报 | 2009年 / 30卷 / 01期

关键词：

人工智能; 隐半Markov模型; 快速递推算法; 故障诊断; 故障预测;

D O I：

暂无

中图分类号：

TP277 [监视、报警、故障诊断系统];

学科分类号：

0804 ; 080401 ; 080402 ;

摘要：

隐半Markov模型(HSMM)是隐Markov模型(HMM)的一种扩展形式,通过在HMM结构中加入状态驻留时间分布参数,克服了HMM假设状态驻留时间服从指数分布的不足。HSMM不仅具有较强的模式分类能力,而且能对实际问题中的状态驻留时间进行合理建模,故既可用于故障诊断,又可用于故障预测。分析了利用HSMM进行故障诊断和预测的框架;并针对传统HSMM建模算法计算量和存储空间都比较大的缺点,引入并改进了一种快速递推算法,降低了计算复杂度和存储空间要求;最后将HSMM应用于直升机齿轮箱轴承故障诊断和GaAs激光器剩余使用寿命(RUL)预测,试验结果证明了这种方法的有效性。

引用

页码：69 / 75

页数：7

共 8 条

[1] Condition monitoring and classifi-cation of rotating machinery using wavelets and hiddenMarkov models. Miao Q,Makis V. Mechanical Systems and Signal Pro-cessing . 2007
[2] A segmental hidden semi-Markov model(HSMM)-based diagnostics and prognostics framework and meth-odology. Dong M,He D. Journal of Mechanical Systems . 2007
[3] A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition. Rabiner L R. Proceedings of Tricomm . 1989
[4] Hidden Semi-Markov Models( HSMMs). Murphy K P. http://www.ai.mit.edu/-muphyk . 2002
[5] An Efficient Forward-Backward Algorithm for an Explicit Duration Hidden Markov Model. Shun-Zheng Yu,Hisashi Kobayashi. IEEE Signal Processing Letters . 2003
[6] Statistical Methods for Reliability Data. Meeker W Q,Escobar L A. . 1998
[7] Condition-BasedMaintenance of Machines Using Hidden Markov Models. Bunks C,McCarthy D,Al-Ani T. Journal of Mechanical Systems . 2000
[8] An integrated approach to bear-ing fault diagnostics and prognostics. Zhang X,Xu R,Kwan C,et al. Proceedings of the 2005American Control Conference . 2005

← 1 →