[發(fā)明專利]一種基于耦合隱半馬爾可夫模型的航空軸承故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611149666.9
• 申請(qǐng)日: 2016-12-14
• 公開（公告）號(hào): CN106599920A
• 公開（公告）日: 2017-04-26
• 發(fā)明（設(shè)計(jì)）人: 曹亮;王景霖;鄭國;何召華;單添敏;林澤力;鄭蔚
• 申請(qǐng)（專利權(quán)）人: 中國航空工業(yè)集團(tuán)公司上海航空測(cè)控技術(shù)研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 南京理工大學(xué)專利中心32203
• 代理人: 朱顯國,唐代盛

技術(shù)領(lǐng)域

本發(fā)明屬于航空動(dòng)部件狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域，具體涉及一種基于耦合隱半馬爾可夫模型的航空軸承故障診斷方法。

背景技術(shù)

大多數(shù)裝備故障都是一個(gè)從正常到失效逐步演化的多狀態(tài)過程，這些狀態(tài)變化通常不能直接觀測(cè)，但可通過外部測(cè)量信號(hào)感知狀態(tài)的存在及變化。由于受到傳播途徑、噪聲等因素的影響，測(cè)量信號(hào)具有較強(qiáng)的隨機(jī)性，與故障狀態(tài)的關(guān)聯(lián)關(guān)系復(fù)雜。故障診斷就是要根據(jù)這些測(cè)量信號(hào)來檢測(cè)、識(shí)別裝備的健康狀況。故障診斷任務(wù)可以通過構(gòu)造一個(gè)雙重隨機(jī)過程來實(shí)現(xiàn)，其中一個(gè)隨機(jī)過程用于表述不同健康狀態(tài)之間的轉(zhuǎn)移關(guān)系，另一個(gè)隨機(jī)過程用于描述狀態(tài)與測(cè)量信號(hào)之間的對(duì)應(yīng)關(guān)系，這一過程與隱馬爾可夫模型(HMM)的建模處理過程是一致的。隱馬爾可夫模型是一種信號(hào)動(dòng)態(tài)時(shí)間序列統(tǒng)計(jì)模型，能夠?qū)σ粋€(gè)時(shí)間跨度上的信息進(jìn)行統(tǒng)計(jì)建模和分類，具有嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)結(jié)構(gòu)和可靠的計(jì)算性能，它能通過較少的樣本訓(xùn)練出可靠的模型，并按模式匹配原理，尋找與未知信號(hào)最相似的模式作為識(shí)別結(jié)果。近年來，隱馬爾可夫模型被引入到故障診斷領(lǐng)域中，并取得了較好的效果，然而其在實(shí)際應(yīng)用過程中也存在著以下幾個(gè)方面的問題：

(1)提取故障特征參數(shù)。提取有效特征參數(shù)是解決模式識(shí)別問題的關(guān)鍵，而機(jī)械故障診斷過程本質(zhì)上也是一個(gè)模式識(shí)別的過程，構(gòu)造最敏感、最有用的診斷特征也是提高診斷效率和準(zhǔn)確率的關(guān)鍵。

(2)狀態(tài)駐留時(shí)間模型。傳統(tǒng)HMM假設(shè)狀態(tài)駐留時(shí)間服從指數(shù)分布，而實(shí)際故障演化過程通常不滿足這一條件，這一內(nèi)在不足使得HMM應(yīng)用于故障診斷時(shí)，不僅十分復(fù)雜且精度不高，因此選用具有狀態(tài)駐留時(shí)間模型的HSMM模型。

(3)HMM經(jīng)典算法。初始模型參數(shù)的選取、算法下溢、多觀測(cè)值序列訓(xùn)練等問題在實(shí)際應(yīng)用中還需要加以改進(jìn)。

(4)多通道信息融合性。隱馬爾可夫模型的單狀態(tài)鏈的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)限制了其多通道信息融合的能力，這使得隱馬爾可夫模型不適合于多通道信息融合，從而無法更加詳盡地描述多通道數(shù)據(jù)的統(tǒng)計(jì)特性。

如圖1所示，針對(duì)機(jī)械故障診斷存在的上述問題，開展相應(yīng)的體系化研究，利用非線性特征提取方法建立特征集，構(gòu)建隱半馬爾可夫狀態(tài)駐留時(shí)間模型、隱半馬爾可夫初始模型選取、經(jīng)典算法改進(jìn)以及適用多通道信息融合的耦合隱半馬爾可夫模型等，為視情維修保障運(yùn)行奠定基礎(chǔ)。

發(fā)明內(nèi)容

本發(fā)明的目的是提出一種基于耦合隱半馬爾可夫模型的多通道融合故障診斷技術(shù)方法，該方法采用了非線性特征提取技術(shù)，能實(shí)現(xiàn)刪除與分類無關(guān)的輸入特征，使最終提取的輸入特征效果最佳；同時(shí)，優(yōu)化隱半馬爾可夫模型參數(shù)的確定方法和魯棒性自適應(yīng)推理算法，提高隱半馬爾可夫模型的適應(yīng)性。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案如下：一種基于耦合隱半馬爾可夫模型的多通道融合故障診斷技術(shù)方法，包括以下步驟：

步驟一：信號(hào)采集、預(yù)處理及特征提取、特征融合；根據(jù)航空動(dòng)部件軸承所處部件的位置及形狀構(gòu)建傳感器網(wǎng)絡(luò)，監(jiān)測(cè)航空軸承在運(yùn)行過程中各個(gè)方位的振動(dòng)傳感信號(hào)，包括軸向和徑向兩個(gè)方向上的振動(dòng)信號(hào)；采用時(shí)域同步平均技術(shù)對(duì)監(jiān)測(cè)信號(hào)進(jìn)行預(yù)處理，然后對(duì)經(jīng)過預(yù)處理的信號(hào)進(jìn)行特征提取(根據(jù)軸承故障頻率計(jì)算出的小波包能量譜)，再利用粗糙集與核主元分析相結(jié)合的非線性處理方法對(duì)提取的特征進(jìn)行處理，先通過粗糙集對(duì)提取的特征進(jìn)行約減，然后利用核主元分析對(duì)約減之后的特征進(jìn)行特征融合，得到若干主元；

步驟二，構(gòu)建隱半馬爾可夫特征融合故障診斷模型；將融合后的特征參數(shù)集中的特征數(shù)據(jù)分為兩部分，一部分作為訓(xùn)練隱半馬爾可夫模型的訓(xùn)練數(shù)據(jù)，另一部分則作為測(cè)試隱半馬爾可夫模型的測(cè)試數(shù)據(jù)；利用不同類型的訓(xùn)練數(shù)據(jù)分別訓(xùn)練對(duì)應(yīng)建立的隱半馬爾可夫模型，得到訓(xùn)練完成的針對(duì)不同軸承故障狀態(tài)的隱半馬爾可夫特征融合故障診斷模型；

步驟三，分析航空軸承存在的故障類型和機(jī)理，通過航空傳動(dòng)平臺(tái)，利用航空軸承的故障狀態(tài)開展故障實(shí)驗(yàn)；利用測(cè)試數(shù)據(jù)對(duì)訓(xùn)練完成后的模型進(jìn)行驗(yàn)證，按照步驟一的程序?qū)M(jìn)行實(shí)驗(yàn)獲取的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，獲取樣本故障特征并建立故障特征集，將該故障特征數(shù)據(jù)代入步驟二中得到的隱半馬爾可夫模型進(jìn)行識(shí)別，即可實(shí)現(xiàn)對(duì)航空的故障狀態(tài)進(jìn)行識(shí)別。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：(1)本發(fā)明采用左右型齊次隱馬兒可夫鏈，通過非線性特征提取方法獲取最敏感、最有用的少數(shù)關(guān)鍵特征，提高了故障診斷效率和準(zhǔn)確率；(2)綜合考慮了自適應(yīng)推理能力和狀態(tài)駐留時(shí)間，將耦合隱半馬爾可夫模型引入到多通道數(shù)據(jù)融合故障診斷中，對(duì)實(shí)際問題中的狀態(tài)駐留時(shí)間分布進(jìn)行合理模型。

附圖說明

圖1為技術(shù)研究路線及主要研究?jī)?nèi)容。