[發明專利]基于慢特征分析和隱馬爾科夫的健康狀態評估方法

在審

• 申請號: 202011187702.7
• 申請日: 2020-10-30
• 公開（公告）號: CN112348072A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 程超;王萌;王艷
• 申請（專利權）人: 長春工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于慢特征分析和隱馬爾科夫模型的系統健康狀態評估方法，其特征在于，包括以下步驟：

數據處理階段，具體為：

采集特征歷史數據，建立數據集，如式（1）得到數據均值方差，并進一步數據歸一化處理，

式（2）中形式得到數據：

。

2.數據分析階段，具體為：

為了達到對數據的降維的目的，采用慢特征分析方法對數據進行慢度分析，慢特征分析（Slow feature analysis，SFA）方法，從數據中提取緩慢變化的LV，對故障檢測的精準度進行提升；

優化問題定義如式（3）：

）

在本研究中，我們的目的就是找到一個矩陣表示系數向量，放大走行部特征數據的可能性與之間的關聯性，即：

進行第一次奇異值分解并經式（5）式（6）轉化得到預處理之后的白化數據：

定義：

轉換問題為找到矩陣P：

第二次SVD：

得到慢特征：

。

3.狀態評估階段，具體為：

利用已擬定評估狀態的特征數據作為提出的方法狀態評估的評判標準，對數據的訓練以及分析，隱馬爾可夫模型（Hidden Markov Model，HMM）是一種用來描述一個含有隱含未知參數的馬爾可夫過程的統計過程；

根據前向概率與后向概率可以將觀測序列概率寫成：

求HMM 的最優狀態序列問題常采用逐步搜索前進的Viterbi 算法，以得到目標狀態序列，定義輔助變量：

得到使函數取得最大值時的變量值，即最優路徑；

找出合適的模型參數 (, A, B) 讓P(O|)最大，利用最大似然估計求解：對目標對數似然函數P，如下式（12）求解，可得到模型的參數；

對HMM重估，通過讓輸出概率P(O|)達到最大，訓練模型，定義：

可得到最大值，利用與A,B矩陣， ,之間的關系式，得到構造輔助函數得出，進而重新得出模型，整個過程完成了對已處理特征數據訓練與評估的目的。