李晋军 b08812班 20084081213 外文翻译

《李晋军 b08812班 20084081213 外文翻译》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、本科生毕业设计(论文)外文翻译原文标题HiddenMarkovModelbasedfaultDiagnosisforstampingprocesses译文标题基于隐马尔可夫模型冲压工序的故障诊断作者所在系别材料工程系作者所在专业材料成型及控制工程作者所在班级B08812作者姓名李晋军作者学号20084081213指导教师姓名张丽桃指导教师职称副教授完成时间2011年11月北华航天工业学院教务处制—41—译文标题基于隐马尔可夫模型冲压工序的故障诊断原文标题HiddenMarkovModelbasedfaultdiagnosisforstamping

2、processes作者M.Ge*,R.Du,Y.Xu译名葛明，杜融，徐阳国籍中国原文出处MechanicalSystemsandSignalProcessing18(2004)391–408基于隐马尔可夫模型冲压工序的故障诊断M.Ge,R.Du,Y.Xu中国人民共和国中国香港大学自动化与计算机辅助工程系摘要在现代制造业中金属冲压过程起着非常重要的作用。由于日益增加的需求，同时具有好的性能和低廉具成本，实践的在线检测和诊断系统应用很广。然而，冲压工艺检测过程是一个涉及多变量复杂的瞬态的过程。仅仅通过分类方法比如统计分类法去监测和诊断是非常困难的。在

3、本文中，我们开发了为冲压工艺故障检测的的新方法。首先它使用的自回归（AR）模型来模拟在不同时期监控信号的冲压操作，并且用残余特征作为性能指标。然后它使用一个隐马尔可夫模型进行分类。实验结果表明这种新方法是有效的，成功率在80％和90％之间。关键词：自回归（AR）模型隐马尔可夫模型（HMM）模式分类最大的可能性冲压操作1．简介：作为一个最常见和最古老的制造工艺，金属冲压过程在现代制造工程金属冲压过程中起着重要的作用。在过去的一个世纪中为了提高产品质量和生产率，我们付出了很大的努力。如今，冲压过程能够每分钟进行数百个工序且每个工序尺寸变化小于一毫米。

4、然而由于冲压工艺比较复杂，它涉及的因素很多，比如瞬态弹性、塑性变形的金属片、静态和动态压力的动作，以及模具的几何形状。据估计冲压工艺涉及40个过程变量，这些变量相互影响，这些变量中的任何偏差都可能对冲压工艺产生有重大影响。因此，为了确保产品质量和生产率，在线监测和诊断是是很必要的。共19页第20页在过去的十年中，监测与诊断方法发展很快。例如，GE（通用电气）使用时频分布、双谱和小波变换研究了振动（加速度）信号，结果帮助开发了一种使用人工神经网络（ANN）的状态监测方法。根据冲压操作的本质特性，将振动信号设计成为受随机污染噪音影响的典型的非平稳信号

5、。通用电气的信号处理技术解决了提取了信号的难题。然而信号往往对很多因素是非常敏感的，如传感器安装位置、模具几何、工件材料、打孔速度等，在许多情况下低信号噪声比（SNR、即放大器的输出信号的电压与同时输出的噪声电压的比）限制了它的能力。一个带有高信噪比的性能好的信号监测系统的鲁棒性（系统的健壮性）是至关重要的。一个有效的信号，它可以轻松而高效的检测出不同类型的故障。据报道，吨位信号（即应变信号）是最常见的一种冲压操作监测和诊断信号。使用吨位信号，Koh开发了基于小波变换和神经网络的依赖状态监测方法。这些方法是“黑盒子”或“灰色方块”的方法，需要强调

6、的是它是依赖信号的统计特性，是基于特征的一种方法。它们虽然是有效的，缺点是它并没有考虑系统的物理模型。另一种方法就是基于模型的方法，它由于利用了系统结构的优势，因此效果比较好。隐马尔可夫模型（HMM）就是这样一种方法。隐马尔可夫模型（HMM）之所以被开发首先为了解决语音识别问题。近年来，它已经一直延伸到模式识别和故障检测（参考文献9和10）。事实已证明，HMM模型还有个额外的特殊能力就是一维传感器信号建模。主要是由于以下原因：（一）适用于双嵌入式的随机过程：双嵌入式进程就是状态无法直接观察（即隐藏）但可以通过另一个进程进行推断。HMM模型在表征这

7、种类型的过程中是非常有效的。恰巧我们注意到冲压工艺是双重嵌入的典型过程。也就是说金属成形过程是不可观察，但它可以部分通过监控（链）信号进行推断。（二）容易训练：HMM是参数模型，其参数可以通过有效的训练算法进行估计。由于有丰富的训练样本，这使得在金属冲压操作过程中状态监测与故障检测模型很有吸引力。（三）独立的多个模型：它是可以使用一个独立的隐马尔可夫模型（HMM）来描述不同条件下的一个过程。换句话说，我们可以使用一个工艺条件之一的隐马尔可夫模型(HMM)。这保证了模型的准确性。此外，当遇到一个新的条件，我们可以简单地添加一个新的隐马尔可夫模型(H

8、MM)在不影响现有的隐马尔可夫模型(HMM)模型。需要着重是指出的是，隐马尔可夫模型的性能极大地依赖于观察数据的选择（参考文献9）。为了