学位论文 > 优秀研究生学位论文题录展示

基于HMM的退化状态识别和故障预测研究

作 者: 原媛
导 师: 卓东风
学 校: 太原科技大学
专 业: 电路与系统
关键词: 退化状态识别 特征提取 隐马尔科夫模型 能量熵 故障预测
分类号: TN911.7
类 型: 硕士论文
年 份: 2014年
下 载: 10次
引 用: 0次
阅 读: 论文下载
 

内容摘要


现代机械设备的自动化程度和智能化水平越来越先进,它的发展对工业、经济有着深刻影响。随着基于状态维修(CBM)和故障预测与健康管理(PHM)等维修理论和技术的发展,近几年,对状态实时监测技术、状态信息采集和处理技术、故障诊断和预测技术的研究成为热点。在机械设备状态监测和故障诊断领域内,机械设备从正常运行状态到故障状态通常要经过一系列不同的退化状态,如何正确识别设备当前所处的状态,进一步预测设备的发展态势,为维护决策提供依据是一个迫切需要解决的问题。基于上述问题,本文做了以下研究:(1)非平稳信号预处理在对机械设备进行状态监测情况下,由于振动信号较其它信号容易采集,并且对故障较为敏感,能提供设备运行状况的丰富信息,所以把振动信号作为设备退化状态识别的特征信号。振动信号是一种典型的非平稳信号,由于外界干扰,对其进行预处理是后期研究的关键。本文首先介绍了小波包能量阈值去噪法,并对小波包能量阈值去噪方法的小波基的选取进行分析和仿真,通过实验给出小波包能量阈值去噪和谱相减去噪的适用环境。小波包能量阈值去噪适合用于输入信噪比低的信号,谱相减去噪适合用于信噪比高的信号,两种方法可以结合使用对振动信号去噪处理。(2)EMD能量熵特征提取传统的傅里叶变换无法同时兼顾信号在时频两域的全貌和局部化特征,小波分析不具有自适应性,针对两者的不足,论文提出了基于经验模态分解(EMD)的特征提取方法;信息熵是对设备状态不确定程度和复杂程度的描述,当信源含有的信息波动不稳定、成分比较复杂时,信息熵就越大。论文利用EMD方法把经过去噪后的信号分解成一组固有模态函数(IMF)分量,并提取和计算各IMF能量及能量熵,作为描述退化状态的特征参数。(3)基于HMM退化状态识别和故障预测针对隐马尔科夫模型(HMM)算法中参数设置问题、训练算法容易陷入局部最优的问题,深入研究了HMM的改进算法;针对单一方法进行故障预测存在的缺陷,利用HMM和指数平滑预测相结合的方法进行研究,可以综合两者的优点;最后以液压元件为研究对象,对上述方法进行验证,并和BPNN、SVM的识别效果进行比较,算例结果表明,该方法具有鲁棒性好、分辨灵敏度高和故障预测总体准确率较高的优点。

全文目录


中文摘要  5-7
ABSTRACT  7-9
目录  9-11
第一章 绪论  11-19
  1.1 选题背景及研究意义  11-12
  1.2 国内外研究现状  12-17
    1.2.1 信号分析与处理技术研究现状  12-14
    1.2.2 模式识别方法研究现状  14-15
    1.2.3 性能退化评估及故障预测研究现状  15-17
  1.3 本文研究内容和论文结构  17-19
第二章 PHM 基本理论和相关技术  19-29
  2.1 引言  19-20
  2.2 小波包预处理的基本理论  20-22
    2.2.1 小波变换的基本思想  20-21
    2.2.2 小波包变换的基本思想  21-22
  2.3 HMM 的基本理论  22-28
    2.3.1 隐马尔科夫模型  22-24
    2.3.2 HMM 的基本算法  24-28
  2.4 本章小结  28-29
第三章 基于小波包-EMD 能量熵特征提取方法  29-43
  3.1 引言  29
  3.2 小波包能量阈值去噪法  29-34
    3.2.1 小波包能量阈值去噪法  29-30
    3.2.2 小波包能量阈值去噪实验结果  30-34
  3.3 基于 EMD 特征提取方法  34-38
    3.3.1 EMD 概述  34-36
    3.3.2 基于 EMD 能量熵特征提取方法  36
    3.3.3 EMD 能量熵特征提取实验结果  36-38
  3.4 基于液压元件的数据预处理和特征提取  38-42
    3.4.1 振动信号预处理  38-40
    3.4.2 基于 EMD 能量熵的特征提取  40-42
  3.5 本章小结  42-43
第四章 基于改进 HMM 的退化状态识别和故障预测研究  43-63
  4.1 引言  43
  4.2 基于 HMM 训练算法的改进  43-47
    4.2.1 针对多个观测序列的 HMM  43-45
    4.2.2 基于 PSO 算法对 HMM 参数的优化  45-47
  4.3 基于改进 HMM 的设备状态识别和故障预测方法  47-56
    4.3.1 设备状态退化过程  47-49
    4.3.2 设备退化状态转移  49-51
    4.3.3 基于 PSO-HMM 设备退化状态识别  51-53
    4.3.4 基于指数平滑预测和 HMM 的故障预测的研究及仿真  53-56
  4.4 基于液压元件退化状态识别和故障预测  56-62
    4.4.1 基于 PSO 改进的 HMM 的退化状态识别  56-62
    4.4.2 基于 HMM 和指数平滑预测的故障预测  62
  4.5 本章小结  62-63
第五章 总结与展望  63-67
  5.1 工作总结  63-64
  5.2 工作展望  64-67
参考文献  67-71
致谢  71-73
攻读硕士学位期间发表论文及研究  73-74

相似论文

  1. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  2. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  3. 网络语音传输丢包的恢复技术,TN912.3
  4. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  5. Q学习在基于内容图像检索技术中的应用,TP391.41
  6. 领域实体属性及事件抽取技术研究,TP391.1
  7. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  8. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  9. 空间交会接近视觉测量方法研究,TP391.41
  10. 图像实时采集、存储与处理方法研究,TP391.41
  11. 唇读中的特征提取、选择与融合,TP391.41
  12. 多币种纸币处理技术的研究与实现,TP391.41
  13. 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
  14. 基于图像的路面破损识别,TP391.41
  15. 移动机器人视觉检测和跟踪研究,TP242.62
  16. 高光谱与高空间分辨率遥感图像融合算法研究,TP751
  17. 基于随机森林的植物抗性基因识别方法研究,Q943
  18. 基于图像处理技术的烟叶病害自动识别研究,S435.72
  19. 基于视觉的番木瓜外观品质检测技术研究,S667.9
  20. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  21. 红外图像目标识别及跟踪技术研究,TP391.41

中图分类: > 工业技术 > 无线电电子学、电信技术 > 通信 > 通信理论 > 信号处理
© 2012 www.xueweilunwen.com