齒輪箱是機(jī)械設(shè)備中常見(jiàn)的傳動(dòng)系統(tǒng),其異常往往導(dǎo)致設(shè)備不能正常使用,輕則產(chǎn)生經(jīng)濟(jì)損失,重則導(dǎo)致安全事故,研究針對(duì)齒輪箱的故障診斷技術(shù)意義重大。隱馬爾科夫模型具有強(qiáng)大的時(shí)序建模能力,理論上可以處理任意時(shí)長(zhǎng)的時(shí)序模式識(shí)別問(wèn)題。本文將離散隱馬爾科夫模型用于齒輪箱的故障診斷,圍繞特征降維、模型優(yōu)化開(kāi)展了研究,主要內(nèi)容如下:（1）針對(duì)非線性數(shù)據(jù)的特征降維,提出了基于單核核函數(shù)級(jí)聯(lián)的方法,根據(jù)類(lèi)內(nèi)離散度和類(lèi)間距之比對(duì)核參數(shù)進(jìn)行優(yōu)化,依次提取原始特征集的局部信息和全局信息,實(shí)驗(yàn)證明,該方法兼顧了特征降維和各類(lèi)數(shù)據(jù)的可分性。（2）圍繞離散隱馬爾科夫模型初始觀測(cè)矩陣的構(gòu)造問(wèn)題,考慮到針對(duì)單樣本或單一類(lèi)型樣本進(jìn)行的優(yōu)化策略可能導(dǎo)致的模型退化等問(wèn)題,構(gòu)造包含典型樣本和易誤判樣本的待優(yōu)化樣本集,利用粒子群優(yōu)化算法對(duì)初始觀測(cè)矩陣進(jìn)行優(yōu)化,采用本方法能獲得更好的初始觀測(cè)矩陣。（3）針對(duì)離散隱馬爾科夫模型自適應(yīng)性不足的問(wèn)題,本文利用離散隱馬爾科夫模型進(jìn)行信息融合構(gòu)造包含時(shí)序信息的新特征集,采用BP神經(jīng)網(wǎng)路算法進(jìn)行齒輪箱工況的識(shí)別。本方法結(jié)合了隱馬爾科夫模型較強(qiáng)的時(shí)序建模能力和BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性,診斷精度顯著提高。 

【文章來(lái)源】：中北大學(xué)山西省

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

故障診斷技術(shù)分類(lèi)基于解析模型的故障診斷方法適用于相對(duì)簡(jiǎn)單的系統(tǒng)，將通過(guò)傳感器系統(tǒng)獲得的分

圖 1.2 主要的動(dòng)態(tài)模式識(shí)別技術(shù)故障診斷問(wèn)題實(shí)質(zhì)上是動(dòng)態(tài)模式識(shí)別問(wèn)題。動(dòng)態(tài)模式識(shí)別問(wèn)題到現(xiàn)在界定，可以結(jié)合實(shí)際情況動(dòng)態(tài)性體現(xiàn)在研究對(duì)象兩個(gè)方面[11]：一是研的，類(lèi)似于無(wú)監(jiān)督學(xué)習(xí)，算法可以自適應(yīng)的將新出現(xiàn)的故障與已有的；二是已有的故障模型可以進(jìn)行動(dòng)態(tài)更新，以適應(yīng)出現(xiàn)的新特征或新模式識(shí)別方法可分為動(dòng)態(tài)聚類(lèi)方法和人工智能算法。主要的動(dòng)態(tài)聚類(lèi) ISODATA 算法，1969 年，Ruspini[12]首次將模糊集理論引入聚類(lèi)分析類(lèi)算法成為應(yīng)用最為廣泛的算法之一，其思路是將相似樣本歸為一類(lèi)不同類(lèi)。1974 年，Dunn 提出 FCM 模型，由 Bezdek[13]將隸屬度引入對(duì) FCM 進(jìn)行了一般化推廣得到目前眾所周知 FCM 算法。FCM 是一的模糊聚類(lèi)方法，需要預(yù)先指定聚類(lèi)數(shù)目和初始聚類(lèi)中心，通過(guò)最小不斷更新隸屬度和聚類(lèi)中心，直至目標(biāo)函數(shù)收斂，最終根據(jù)隸屬度原類(lèi)別。有學(xué)者將其應(yīng)用與提取特征以后的數(shù)據(jù)預(yù)處理階段，對(duì)樣本進(jìn)

圖 1.3 論文結(jié)構(gòu)（1）分析研究了采用主成分分析法和核主成分分析法特征降維時(shí)的特點(diǎn)，針對(duì)線性混合核函數(shù)降維時(shí)，存在將核參數(shù)的選擇轉(zhuǎn)化為核函數(shù)權(quán)重的選擇問(wèn)題，本文提出了基于單核級(jí)聯(lián)的特征降維方法，先采用局部核函數(shù)提取局部信息，再采用全局核函數(shù)提取全局信息，在兩分類(lèi)問(wèn)題的類(lèi)內(nèi)離散度和類(lèi)間距之比的基礎(chǔ)上，構(gòu)建了多分類(lèi)問(wèn)題的適應(yīng)度函數(shù)。（2）針對(duì)離散馬爾科夫模型用于模式識(shí)別時(shí)，初始觀測(cè)值矩陣 B 的選擇對(duì)其模型訓(xùn)練影響較大的問(wèn)題，同時(shí)考慮到針對(duì)單樣本進(jìn)行優(yōu)化會(huì)導(dǎo)致模型退化的問(wèn)題，本文構(gòu)造了優(yōu)化樣本集并采取粒子群算法對(duì)初始觀測(cè)值進(jìn)行尋優(yōu)，該方法能有效提高離散隱馬爾科夫模型的診斷精度。（3）針對(duì)離散對(duì)隱馬爾科夫模型自適應(yīng)能力較弱的問(wèn)題，本文將其與 BP 神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，提出了基于離散隱馬爾科夫模型的信息融合方法，構(gòu)造了新的特征集，再采用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。

【參考文獻(xiàn)】：
期刊論文
[1]基于HSMM的機(jī)械故障演化預(yù)測(cè)診斷研究[J]. 于寧,王艷紅,蔡明,田中大.  組合機(jī)床與自動(dòng)化加工技術(shù). 2018(01)
[2]基于DPMM-CHMM的機(jī)械設(shè)備性能退化評(píng)估研究[J]. 季云,王恒,朱龍彪,劉肖.  振動(dòng)與沖擊. 2017(23)
[3]基于多屬性模糊C均值聚類(lèi)的屬性約簡(jiǎn)算法[J]. 李詩(shī)瑾,李倩,徐桂瓊.  現(xiàn)代電子技術(shù). 2017(21)
[4]深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[5]基于信號(hào)共振稀疏分解和最大相關(guān)峭度解卷積的齒輪箱故障診斷[J]. 何群,郭源耕,王霄,任宗浩,李繼猛.  中國(guó)機(jī)械工程. 2017(13)
[6]基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的樣本預(yù)測(cè)方法[J]. 姚雪梅,李少波,璩晶磊.  組合機(jī)床與自動(dòng)化加工技術(shù). 2017(06)
[7]基于粒子群優(yōu)化KFCM的風(fēng)電齒輪箱故障診斷[J]. 李狀,柳亦兵,滕偉,林楊.  振動(dòng).測(cè)試與診斷. 2017(03)
[8]廣義變分模態(tài)分解及其在齒輪箱復(fù)合故障診斷中的應(yīng)用[J]. 楊宇,羅鵬,程軍圣.  中國(guó)機(jī)械工程. 2017(09)
[9]主分量分析和隱馬爾科夫模型結(jié)合的軸承監(jiān)測(cè)診斷方法[J]. 張西寧,雷威,李兵.  西安交通大學(xué)學(xué)報(bào). 2017(06)
[10]基于模糊粗糙集和SVM的航空發(fā)動(dòng)機(jī)故障診斷[J]. 曹愈遠(yuǎn),張建,李艷軍,張麗娜.  振動(dòng).測(cè)試與診斷. 2017(01)

博士論文
[1]機(jī)械傳動(dòng)系統(tǒng)關(guān)鍵零部件故障預(yù)測(cè)技術(shù)研究[D]. 曾慶虎.國(guó)防科學(xué)技術(shù)大學(xué) 2010
[2]基于粒子群優(yōu)化的齒輪箱智能故障診斷研究[D]. 魏秀業(yè).中北大學(xué) 2009
[3]HMM動(dòng)態(tài)模式識(shí)別理論、方法以及在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[D]. 馮長(zhǎng)建.浙江大學(xué) 2002

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)與隱馬爾科夫鏈的駕駛狀態(tài)識(shí)別[D]. 孫瓊.合肥工業(yè)大學(xué) 2012



本文編號(hào)：3136183