基于混合高斯密度HMM的轴承故障诊断技术研究.pdf

基于混合高斯密度HMM的轴承故障诊断技术研究.pdf

ID:52973207

大小:315.72 KB

页数:4页

时间:2020-04-05

基于混合高斯密度HMM的轴承故障诊断技术研究.pdf_第1页
基于混合高斯密度HMM的轴承故障诊断技术研究.pdf_第2页
基于混合高斯密度HMM的轴承故障诊断技术研究.pdf_第3页
基于混合高斯密度HMM的轴承故障诊断技术研究.pdf_第4页
资源描述:

《基于混合高斯密度HMM的轴承故障诊断技术研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第53卷第3期汽轮机技术Vol

2、53No.32011年6月TURBINETECHNOLOGYJun.20ll基于混合高斯密度HMM的轴承故障诊断技术研究冯长建,邵强,康晶(大连民族学院机电信息_T-程学院,大连l16600)摘要:从轴承正常和故障条件下的实际机械系统中测试的振动信号人手,利用LPC系数进行特征提取,并把提取的特征矢量用于建立HMM隐状态下的高斯概率混合器模型,以便于引入到HMM的训练中,形成一个新的HMM类型一混合高斯密度HMM(GMD—HMM)。通过选取输出最高概率的HMM进行各种轴承故障类型的决策。通过异步电机系统的驱动端轴承的测试

3、信号验证了该故障诊断方法的精确性。关键词:振动信号;HMM;高斯混合模型;故障诊断分类号:TN911.6;TH165文献标识码:A文章编号:1001-5884(2011)03-0205-04FaultsDiagnosisforBengBasedonHMMswithGaussianMixturesFENGChang—jian,SHAOQiang,KANGJing(CollegeofElectromechaniealandInformationEngineering,DalianNationalitiesUniversity,Dalianl16600,Ch

4、ina)Abstract:FeaturevectorsbasedonthecoeficientsofLPCfiltersextractedfromvibrationssignalsfrombothnormalandfaultybearingswereusedtomodelGaussianmixturestorepresentobservationprobabilitydensitiesofHMMs.SoHMMsofvariousbearingconditionsweretrained.Themethodallowsfordiagnosisofthety

5、peofbearingfaultbyselectingtheHMMwiththehighestprobability.Themethodwastestedwithexperimentaldatacollectedfromanaccelerometermeasuringthevibrationfromthedrive—endballbearingofaninductionmotormechanicalsystemandhasproventobeveryaccurate.Keywords:vibrationsignal;HMM;Gaussianmixtur

6、es;faultsdiagnosis布,并引入到HMM的轴承故障模型中,取得了较为满意的效0前言果。轴承是旋转机械中最重要的零件之一,其故障率较高,l?昆合高斯密度HMM轴承工作好坏对机械工作状态有很大的影响,其缺陷会导致设备产生异常振动和噪声,甚至造成设备直接毁坏或后继毁离散隐Markov模型的观测量可以使用分布式离散概率坏,因此轴承故障诊断技术一直都是国内外学者研究的热来表示,但连续隐Markov模型中的观测序列通常都假设是点。由高斯概率密度函数模拟产生的。在实际应用中,高斯概率振动分析已证明是许多设备行之有效的方法和手段。密度函数的假设往往不能满

7、足要求,于是常常使用几个高斯早期的轴承振动信号是基于时域波形或频域分析,都要依赖概率密度函数的线性组合模拟观测序列的产生。如果高斯于人工视觉检查信号的异常行为。近年来,轴承故障诊断的概率密度函数足够多,则混合高斯密度可以逼近任意的概率时频联合分析方法得到了发展,比如小波方法(wT),短时分布函数J。每一个高斯概率密度函数都有各自的均值和Frr方法、Wigner—Ville分布(WVD)等技术大大丰富了轴承协方差矩阵,这些参数可以通过观测样本特征进行统计学习故障特征提取的内容”。得到。则混合高斯密度HMM模型(简称GMD—HMM),具上述故障诊断技术实际

8、上是一些特征提取技术,对于较有下列的主要组成和算法。长一段时间的信号处理效果不是很好。隐马尔科夫模型1.1GMD—HMM的组成(HMM)在处理长时间非平稳信号方面具有的独到的优势,一个HMM模型通常采用一个三元组A=(仃,A,来表在语音识别和故障诊断方面已具有很好的应用。。HMM示,一个GMD—HMM也可以用类似的参数来表示J。在轴承故障诊断领域应用已有报道,但文中假设观测矢量Ⅳ:模型中的状态个数;满足高斯概率分布假设,实际上该条件很难成立。因此本文A={a},状态转移概率矩阵,其中a=P(q=lqf=利用若干个高斯概率密度函数拟合任意观测矢量的概率分

9、),1≤i,≤N;收稿日期:2010-06—13基金项目:国家自然科学基金支持项目(编号:50

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。