论文部分内容阅读
本论文是在国家自然科学基金(51261024,51075372,51265039,50775208),江西省教育厅科技计划项目(No.GJJ12405),机械传动国家重点实验室开放基金(No.SKLMT-KFKT-201514)和广东省数字信号与图像处理技术重点实验室开放课题(2014GDDSIPL-01)资助下展开研究。基于无限因子隐Markov模型(iFHMM)的独特优势,将iFHMM引入到机械故障诊断中,提出了基于iFHMM的机械故障诊断方法,并进行了仿真和实验验证,取得了比较好的创新性成果。本论文的主要研究内容如下: 第1章:论述了本课题的提出及意义,因子隐Markov模型的国内外研究现状和无限因子隐Markov模型的研究现状。在此基础上,给出了本文的主要研究内容与创新之处。 第2章:论述了因子隐 Markov模型的基本原理与基本算法,指出了因子隐Markov模型所存在的不足与缺陷。以此为基础,论述了iFHMM的理论及推导算法。鉴于iFHMM的结构,采用一个二元矩阵进行结构的搭建与建模,引进了印度餐馆过程(IBP)与截棍构造模型(Stick-Breaking),以此为基础对iFHMM进行建模,重点论述了iFHMM的理论算法及其推导过程。 第3章:将无限因子隐Markov模型引入到旋转机械升降速过程的故障诊断中,提出了基于因子隐Markov模型的旋转机械故障诊断方法,在提出的方法中,利用FFT提取各种典型的转子故障的1/2、1,2,3,4,5倍频作为特征向量输入到各个状态iFHMM来进行训练,得到每个模型产生该序列的概率,其中概率最大的状态就代表了当前机组的运行状态。同时,提出的方法与传统的基于因子隐Markov模型的机械故障诊断方法进行了比较,并成功地应用到旋转机械的故障中,实验结果表明,iFHMM识别方法和FHMM识别方法都得到了很好的识别效果,然而,在iFHMM识别方法中,隐式Markov链条数设定为无穷大,可以通过求极限确定合适的隐式Markov链条数,克服了在FHMM识别方法中盲目选择隐式Markov链条数的不足。 第4章:结合独立成分分析(ICA)和iFHMM的各自特点,提出了基于ICA-iFHMM的旋转机械故障诊断方法,在提出的方法中,利用ICA基残余互信息(RMI)作为特征提取,消除了多通道之间的信息冗余,iFHMM作为识别器。将提出的方法应用于旋转机械故障诊断中。同时,与基于ICA-FHMM的旋转机械故障诊断方法进行对比研究,实验结果表明,两种方法都取得了满意的识别效果,然而,ICA-FHMM识别效果与隐式Markov链条数的选择有很大关系,如何合理选择,缺乏依据,往往是采用人为试凑方法来选择。而提出的方法可以自适应地确定隐式Markov链条数,克服了FHMM中存在的不足。 第5章:针对iFHMM中的模型参数估计的EM算法只能进行局部寻优,这样,容易造成EM算法在早期过早地收敛于局部极值的不足,在此,利用粒子群算法(PSO)具有全局寻优的特点,提出了PSO-iFHMM模型。在此基础上,将提出的模型应用到滚动轴承性能退化研究中,并以基本尺度熵为特征,构造PSO-iFHMM预测模型。同时,与FHMM预测模型、iFHMM预测模型进行对比研究。实验证明,三种预测模型方法都取得良好的预测效果。然而,FHMM预测模型、iFHMM预测模型存在过学习或欠学习问题,容易陷入局部极小。而在提出的PSO-iFHMM预测模型中,引入粒子群优化算法,大大加强了它的寻优能力,达到全局寻优。 第六章,对本论文的研究工作内容进行了全面的总结,并对有必要进行进一步开展研究的工作进行了展望。