一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法.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CN106599920A(43)申请公布日2017.04.26(21)申请号201611149666.9(22)申请日2016.12.14(71)申请人中国航空工业集团公司上海航空测控技术研究所地址201601上海市松江区泗泾镇三祥路188号(72)发明人曹亮王景霖郑国何召华单添敏林泽力郑蔚(74)专利代理机构南京理工大学专利中心32203代理人朱显国唐代盛(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书6页附图3页(54)发明名称一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法(57)摘要本发明公开了一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法。本发明采用左右型齐次隐马儿可夫链，通过非线性特征提取方法获取最敏感、最有用的少数关键特征，为提高故障诊断效率和准确率提供先决条件；将耦合隐半马尔可夫模型引入到多通道数据融合故障诊断中，对实际问题中的状态驻留时间分布进行合理模型；同时研究含两条链的耦合隐半马尔可夫模型的概率推理算法、初始状态模型选取方法和参数估计算法；最后将耦合隐半马尔可夫模型应用于滚动轴承故障诊断。CN106599920ACN106599920A权利要求书1/3页1.一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法，其特征在于包括以下步骤：步骤一：信号采集、预处理及特征提取、特征融合；根据航空动部件轴承所处部件的位置及形状构建传感器网络，监测航空轴承在运行过程中各个方位的振动传感信号，包括轴向和径向两个方向上的振动信号；采用时域同步平均技术对监测信号进行预处理，然后对经过预处理的信号进行特征提取，再利用粗糙集与核主元分析相结合的非线性处理方法对提取的特征进行处理，先通过粗糙集对提取的特征进行约减，然后利用核主元分析对约减之后的特征进行特征融合，得到若干主元；步骤二，构建隐半马尔可夫特征融合故障诊断模型；将融合后的特征参数集中的特征数据分为两部分，一部分作为训练隐半马尔可夫模型的训练数据，另一部分则作为测试隐半马尔可夫模型的测试数据；利用不同类型的训练数据分别训练对应建立的隐半马尔可夫模型，得到训练完成的针对不同轴承故障状态的隐半马尔可夫特征融合故障诊断模型；步骤三，分析航空轴承存在的故障类型和机理，通过航空传动平台，利用航空轴承的故障状态开展故障实验；利用测试数据对训练完成后的模型进行验证，按照步骤一的程序对进行实验获取的实验数据进行处理，获取样本故障特征并建立故障特征集，将该故障特征数据代入步骤二中得到的隐半马尔可夫模型进行识别，即可实现对航空的故障状态进行识别。2.根据权利要求1所述的基于耦合隐半马尔可夫模型的航空轴承故障诊断方法，其特征在于：步骤一中所述采用时域同步平均技术对监测信号进行预处理的实现过程如下：振动传感信号x(t)以采样频率fs在起始时刻t开始采样，得到N段相同长度的数据段{xi(j)}：j指的是j个数据点；如果这些数据段对应起始时刻相同，那么这些数据段是同步的，对这些数据段进行平均，得到新的数据段：y(j)为时域同步平均信号。3.根据权利要求1或2所述的基于耦合隐半马尔可夫模型的航空轴承故障诊断方法，其特征在于：步骤一中所述对经过预处理的信号进行特征提取的实现过程如下：利用小波包对预处理之后得到的时域同步平均信号进行分解；小波包是由一系列线性组合的小波函数组成，即式中，i,m,k分别为频率因子、尺度因子和平移因子；小波包与其相应的小波函数具有相同的性质；对于采集到的任何一个时域信号y(t)都进行如下分解：2CN106599920A权利要求书2/3页其中，为第j层小波包分解的第y个频带的信号，具有如下关系：{h(k)}、{g(k)}为两尺度序列，视为正交共轭低通和高通滤波器，即利用滤波的方式获取所需的信号；根据航空轴承的特征频率确定小波包分解的特征频段，确定小波包分解的层数n，最后求出小波包分解信号的能量值，这些能量值的归一化量纲将作为粗糙集与核主元分析的对象，共计2n个。4.根据权利要求1所述的基于耦合隐半马尔可夫模型的航空轴承故障诊断方法，其特征在于：步骤二所述构建隐半马尔可夫特征融合故障诊断模型的实现过程如下：2.1设一般形式的HSMM为λ＝(A,B,π)，其中：A为状态转换概率矩阵，矩阵中的每一个元素aij表示一个状态转换的概率其中，d和d’分别状态转移的步数即时间跨度，S[·]表示当前时刻的状态；P[·]表示由状态i转移到状态j的概率；B为观察概率矩阵，矩阵中每一个元素b表示某一状态Sj下的特定观察值ot+1:t+d的概率π为初始时刻的状态向量的概率分布2.2在确定HSMM模型结构之后，将两条隐半马尔可夫链通过耦合算法连接在一起组成多通道耦合隐半马尔可夫模型CHSMM，综合Vi