基于隐马尔可夫模型及支持向量机的故障诊断(中文)

《基于隐马尔可夫模型及支持向量机的故障诊断(中文)》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于隐马尔可夫模型及支持向量机的故障诊断柳新民刘冠军邱静胡莺庆国防科技大学机电工程与自动化学院，长沙410073摘要：针对故障诊断屮机器学习方法存在的问题，根据隐马尔可夫模型（HMM）适合于处理连续动态信号与支持向量机（SVM）适合于模式分类的长处，提岀了基于HMM-SVM串联结构的故障诊断模型。隐马尔可夫模型的通常描述类别内的相似性，并适合于处理连续动态信号。支持向量机表示类间的冇效差异和具冇完善的分类能力。。这种方法是建立在IIMM和SVM的优点上的。那么，对于直升机传输系统的减速器的振动信号的捉取的实验，这种基于HMM-SVM的诊断方法是培训和用于变速箱故障的

2、监测和诊断。结果表明，该方法优于基于HMM的和SVM的诊断方法，在利用少量训练样木完成故障诊断上有更高的准确性。关键词:隐马尔可夫模型支持向量机故障诊断0引言变速箱在直升机传输系统非常重要，它直接的影响直升机的可靠性和安全性，迅速有效地诊断变速箱的故障非常重要，口前减速器监测与诊断屮广泛应用的机器学习方法（如神经网络）在使用中存在一些困难，例如：（1）诊断是某一时刻信息和模板库相匹配的结果，忽略了前后关系，具有一定的局限性；（2）采用的是经验风险最小化原则，需要大量故障训练样本，训练样本获取困难等。隐马尔可夫模型（HMM）是从Morkov链的基础上发展起来的一种统计

3、模型,隐马尔可夫模型（HMM）是一个双重随机过程，并且无法观察（隐藏的），可以通过另一套随机过程來观察，隐马尔可夫模型（HMM）是一个以状态转移概率为特征的参数化模型，考虑到特定的系统状态和初始化状态的II舜时发生的可能性。这些参数通过Baum-Welch运算法则能适应评估，隐马尔可夫模型（HMM）是作为信号动态时间序列统计模式，具有严谨的数据结构和可靠的计算性能，现已成为语音识别的主流技术，国内外开始把HMM方法引入到状态监测和故障诊断领域屮來，取得了优于神经网络的良好效果。向量机（SVM）是它是一种新的机器学习技术，是建立在小样本机器统计学习理论的VC维理论和结

4、构风险最小化原则基础上的，向量机（SVM）执行好的交易接近已知数据和SVR的近似的复杂功能，和拥有高性能，向量机（SVM）有比人工神经网络（ANN）更多的优点。这些优点如下：①向量机（SVM）可以取得少量抽样调查中的最优解，②向量机（SVM）求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解，改变解决规划设计的二次方程式的问题的最优解，可以采取最佳全而的解决方案，但只冇局部最优解可以被人工神经网络（ANN）所接受，SVM改变样板空间通过非线性变换到特征空间，在特征空间里。它具有结构线性分类功能，以实现非线性分类屮的采样空间，这表明了机器学习具有良好的

5、归纳性能，并解决了维数问题。SVM已成功地应用于故障诊断，因为他们貝有出色的分类能力。隐马尔可夫模型（HMM）适合于处理连续动态的信号，然而支持向量机（SVM）适合处理分类，隐马尔可夫模型（HMM）表达更多的是类别内的相似性，向量机（SVM）反映了类别间的差异。由于两种表现的内容不一-样，因此文屮结合这两个统计模型的冇点，提出了一种基于HMM-SVM串联结构的故障诊断模型，结合他们的有点合并成一个理想的，因此，混合了隐马尔可夫模型(HMM)和支持向量机(SVM)的故障诊断方法，用于解决的非平稳故障的诊断问题。1基于HMM-SVM的诊断模型1.1隐马尔可夫模式隐马尔可

6、夫模式(HMM)是从Morkov链的基础上发展起来的一种统计模型，其中观察到的时间与状态并不是一一对应的，隐马尔可夫模式(HMM)是通过儿个参数为特征。首先是状态之间的转移概率分布参数A二｛知｝,表示在t吋刻、状态为Si的条件下，在t+1时刻状态是Sj的概率。4j=P(q(+i=Sj丨q严SJ,15i,j5N(1)以鼻为时间状态，在时间t,状态数为N,第二，隐马尔可夫模型(HMM)的观察值概率矩阵，B=｛bf(k)｝bf(k)=P(Okqt=Sf)｝

7、起作用，一般几个正态分布的加权和构归因于各自的状态。初始化状态分布矢量：兀=｛花｝兀严氏h=S)l