基于离散隐马尔可夫模型的轴承故障检测方法和系统技术方案

本发明专利技术提供了一种基于离散隐马尔可夫模型的轴承故障检测方法和系统，所述方法包括以下步骤：建立离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对待检测轴承数据进行特征提取以得到待检测轴承不同故障类型的特征向量；确定离散隐马尔可夫模型的代码本以得到待检测轴承不同故障类型的观测序列；根据优化算法和待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型；根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测。本发明专利技术能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。并且能够保证故障检测的精度。并且能够保证故障检测的精度。

【技术实现步骤摘要】
基于离散隐马尔可夫模型的轴承故障检测方法和系统


[0001]本专利技术涉及故障检测
，具体涉及一种基于离散隐马尔可夫模型的轴承故障检测方法和一种基于离散隐马尔可夫模型的轴承故障检测系统。

技术介绍

[0002]机械设备和复杂机电系统的可靠性和安全性不仅对整个工业系统的高效运行起着至关重要的作用，而且对人身安全与环境保护也尤为关键。动态系统的故障侦测与诊断技术是提高系统的可靠性和降低事故风险的有效方法。随着HMM(Hidden Markov Model，隐马尔可夫模型)在各领域的成功应用以及工业界对可靠性和安全性的更高要求，HMM作为一种数据驱动的故障诊断方法受到越来越多关注。
[0003]目前，根据观测变量的表示方法HMM可分为离散HMM(离散隐马尔可夫模型)与连续HMM(连续隐马尔可夫模型)。但是，在DHMM的实际应用中有三个基本问题需要解决，即评估问题、解码问题以及学习问题，而学习问题是DHMM的三个基本问题中最难以未解决的问题。针对学习问题目前最广泛使用的是BW算法(Baum
‑
Welch算法)和梯度算法，这两种算法虽然能给出DHMM参数的有效估计，但是，BW算法和梯度算法是局部优化方法，对初值有很强依赖性；此外，目前基于DHMM的故障诊断应用中，没有针对故障数据不足的实际情况。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于离散隐马尔可夫模型的轴承故障检测方法，能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。
[0005]本专利技术的第二个目的在于提出一种基于离散隐马尔可夫模型的轴承故障检测系统。
[0006]为达到上述目的，本专利技术第一方面实施例提出了一种基于离散隐马尔可夫模型的轴承故障检测方法，包括以下步骤：建立所述离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量；确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列；根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫模型；根据所述待检测轴承不同故障类型的特征向量和训练后的所述离散隐马尔可夫模型对所述待检测轴承进行故障检测。
[0007]根据本专利技术实施例提出的基于离散隐马尔可夫模型的轴承故障检测方法，通过建立离散隐马尔可夫模型的优化算法，并对待检测轴承数据进行特征提取，以及确定离散隐马尔可夫模型的代码本，并根据述优化算法待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型，以根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测，由此，能够降低对初值的依赖性，并能够提高搜索能力，
从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。
[0008]另外，根据本专利技术上述实施例提出的基于离散隐马尔可夫模型的轴承故障检测方法还可以具有如下附加的技术特征：
[0009]进一步地，建立所述离散隐马尔可夫模型的优化算法，包括以下步骤：采用多个所述离散隐马尔可夫模型构建拓扑网格；采用正交设计量化法初始化所述拓扑网格；采用双策略竞争学习优化每个所述拓扑网格中的每个离散隐马尔可夫模型以得到第一序列拓扑网格；判断所述第一序列拓扑网格中的每个离散隐马尔可夫模型均匀分布在区间0到1的随机实数是否小于定义区间0到1内参数；若是，则采用协同学习优化所述第一序列拓扑网格中的每个离散隐马尔可夫模型以得到第二序列拓扑网格；判断所述第二序列拓扑网格中的每个离散隐马尔可夫模型均匀分布在区间0到1的随机实数是否小于定义区间0到1内参数；若是，则采用高斯变异优化所述第二序列拓扑网格中的每个离散隐马尔可夫模型以得到下一迭代的拓扑网格；确定所述下一迭代的拓扑网格中似然值最大的离散隐马尔可夫模型并对其执行自学习算法，直至得到的离散隐马尔可夫模型满足终止标准。
[0010]进一步地，对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量，包括以下步骤：采用Daubechies小波和小波包分解对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量。
[0011]进一步地，确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列，包括以下步骤：采用k
‑
均值聚类算法确定所述离散隐马尔可夫模型的代码本，以得到所述待检测轴承不同故障类型的观测序列。
[0012]进一步地，根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫模型，包括以下步骤：对所述待检测轴承不同故障类型的观测序列建立初始离散隐马尔可夫模型；采用所述优化算法训练所述初始离散隐马尔可夫模型直至产生所述观测序列的概率达到最大值。
[0013]为达到上述目的，本专利技术第二方面实施例提出了一种基于离散隐马尔可夫模型的轴承故障检测系统。
[0014]基于离散隐马尔可夫模型的轴承故障检测系统，其特征在于，包括：构建模块，所述构建模块用于建立所述离散隐马尔可夫模型的优化算法；获取模块，所述获取模块用于获取待检测轴承数据；提取模块，所述提取模块用于对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量；第一处理模块，所述第一处理模块用于确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列；第二处理模块，所述第二处理模块用于根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫模型；第三处理模块，所述第三处理模块用于根据所述待检测轴承不同故障类型的特征向量和训练后的所述离散隐马尔可夫模型对所述待检测轴承进行故障检测。
[0015]根据本专利技术实施例提出的基于离散隐马尔可夫模型的轴承故障检测系统，通过构建模块建立离散隐马尔可夫模型的优化算法，并通过提取模块对待检测轴承数据进行特征提取，以及通过第一处理模块确定离散隐马尔可夫模型的代码本，并通过第二处理模块根据述优化算法待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型，以通过第三处理模块根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待
检测轴承进行故障检测，由此，能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。
[0016]另外，根据本专利技术上述实施例提出的基于离散隐马尔可夫模型的轴承故障检测系统还可以具有如下附加的技术特征：
[0017]进一步地，所述构建模块具体用于：采用多个所述离散隐马尔可夫模型构建拓扑网格；采用正交设计量化法初始化所述拓扑网格；采用双策略竞争学习优化每个所述拓扑网格中的每个离散隐马尔可夫模型以得到第一序列拓扑网格；判断所述第一序列拓扑网格中的每个离散隐马尔可夫模型均匀分布在区间0到1的随机实数是否小于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于离散隐马尔可夫模型的轴承故障检测方法，其特征在于，包括以下步骤：建立所述离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量；确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列；根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫模型；根据所述待检测轴承不同故障类型的特征向量和训练后的所述离散隐马尔可夫模型对所述待检测轴承进行故障检测。2.根据权利要求1所述的基于离散隐马尔可夫模型的轴承故障检测方法，其特征在于，建立所述离散隐马尔可夫模型的优化算法，包括以下步骤：采用多个所述离散隐马尔可夫模型构建拓扑网格；采用正交设计量化法初始化所述拓扑网格；采用双策略竞争学习优化每个所述拓扑网格中的每个离散隐马尔可夫模型以得到第一序列拓扑网格；判断所述第一序列拓扑网格中的每个离散隐马尔可夫模型均匀分布在区间0到1的随机实数是否小于定义区间0到1内参数；若是，则采用协同学习优化所述第一序列拓扑网格中的每个离散隐马尔可夫模型以得到第二序列拓扑网格；判断所述第二序列拓扑网格中的每个离散隐马尔可夫模型均匀分布在区间0到1的随机实数是否小于定义区间0到1内参数；若是，则采用高斯变异优化所述第二序列拓扑网格中的每个离散隐马尔可夫模型以得到下一迭代的拓扑网格；确定所述下一迭代的拓扑网格中似然值最大的离散隐马尔可夫模型并对其执行自学习算法，直至得到的离散隐马尔可夫模型满足终止标准。3.根据权利要求2所述的基于离散隐马尔可夫模型的轴承故障检测方法，其特征在于，对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量，包括以下步骤：采用Daubechies小波和小波包分解对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量。4.根据权利要求2所述的基于离散隐马尔可夫模型的轴承故障检测方法，其特征在于，确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列，包括以下步骤：采用k
‑
均值聚类算法确定所述离散隐马尔可夫模型的代码本，以得到所述待检测轴承不同故障类型的观测序列。5.根据权利要求3所述的基于离散隐马尔可夫模型的轴承故障检测方法，其特征在于，根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫
模型，包括以下步骤：对所述待检测轴承不同故障类型的观测序列建立初始离散隐马尔可夫模型；采用所述优化算法训练所述初始离散隐马尔可夫模型直至产生所述观...

【专利技术属性】
技术研发人员：李泽芳，李吉龙，傅中君，柳益君，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：