基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108090427A(43)申请公布日2018.05.29(21)申请号201711286476.6(22)申请日2017.12.07(71)申请人上海电机学院地址200240上海市闵行区江川路690号(72)发明人丁超然刘三明王致杰王帅潘昭旭(74)专利代理机构上海伯瑞杰知识产权代理有限公司31227代理人张美娟(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/00(2006.01)权利要求书2页说明书6页附图7页(54)发明名称基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法(57)摘要基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤。(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。(2)模型参数初始化：将振动信号频带能量作为特征向量进行建模(3)参数训练：根据第二步初始化的参数，用鸟群算法进行重估，(4)输出概率计算：经过上述步骤建好模型后，将监测振动数据特征提取，代入不同故障状态模型，由前向后向算法计算输出概率，概率最大的即为对应的故障类型。CN108090427ACN108090427A权利要求书1/2页1.基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，包括特征提取、模型参数初始化、参数训练、输出概率计算这四个步骤，其特征在于：(1)特征提取：选取小波函数对振动信号进行3层小波包分解和重构，通过对各频段小波分解系数信号进行分析,实现从各个频段分别提取振动信号所代表的不同故障状态的特征信息。针对提取的每一频段的重构信号求其能量：其中，xjk(j＝0,1...,7,k＝1,2,...,n)表示为重构信号s3j的n个离散点的幅值，为了提高特征向量的聚类性,使其分布离散性更好，便于模型输入和辨识，需要对特征向量进行归一化处理，得到归一化后的特征向量C3j＝[c30,c31,...,c37]，归一化的方法是对根据不同频段的能量特征值序列E3j＝[e30,e31,…,e37]，按下式进行归一化处理：(2)模型参数初始化：将振动信号频带能量作为特征向量进行建模，则模型中的观测值O＝{o(1),...,o(h),...,o(H)}＝{E(1),...,E(h),...,E(H)}，其中表示振动信号第h观测值的频带能量，T表示频带数；(3)参数训练：根据第二步初始化的参数，用鸟群算法进行重估，步骤如下：①初始化BSA种群及相关参数，初始化个体X，X＝cell(pi，A，c，u，U，)；②进行迭代，每一次BSA迭代中，进行隐马尔科夫传统训练算法k次迭代，目标函数计算；③当满足结束条件，即输出概率P(O|λ)的增量小于一定阈值，则结束迭代，输出结果；(4)输出概率计算：经过上述步骤建好模型后，将监测振动数据特征提取，代入不同故障状态模型，由前向后向算法计算输出概率，概率最大的即为对应的故障类型。2.根据权利要求1所述的基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，其特征在于：所述步骤(2)中建立的模型为连续隐马尔科夫模型。3.根据权利要求2所述的基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法，其特征在于：连续隐马尔可夫模型参数如下：(1)状态个数：设N个状态分别为S1,S2,...,SN,则有t(1≤t≤T)处所处的状态qt∈(S1,S2,...,SN)，N表示所有频带能量的值分成的类数；(2)初始状态分布矢量：π＝{πi}，表示1处状态处于某一状态的概率，即：E1取值为某一类的概率，其中1≤i≤N；(3)状态转移矩阵：A＝{aij}，元素为状态之间转移的概率，即：一类E值在下一个频带中变成另一类E值的概率；(4)高斯混合参数和输出概率矩阵:混合高斯元个数M＝{Mj}，混合高斯元权系数c＝{cjl}，均值向量u＝{ujl}，协方差矩阵U＝{Ujl}，观测值矩阵B＝{bj(o)}，其中2CN108090427A权利要求书2/2页1≤j≤N，l表示状态Sj的第l个高斯分量，设观测向量为D维，则概率密度函数表示为：初始化时：π、A均匀取值，即：π＝{1/N}N×1；对于N、M、c、u、U，由AP聚类算法确定：N和M的取值通过AP聚类算法确定的过程为：首先，将AP聚类算法所求得的所有数据点的聚类个数确定为N；然后，对得到的N个聚类的每一类继续使用AP算法的第二次聚类结果即可作为向量M的对应数值；C、u、U的取值：其中，ujl＝属于Xj1的观测向量的均值向量；Ujl＝属于Xj1的观测向量的协方差矩阵。3CN108090427A说明书1