基于HSMM的两阶段设备缺陷状态识别方法

合集下载

基于DD-HSMM的设备运行状态识别与故障预测方法

基于DD-HSMM的设备运行状态识别与故障预测方法王宁;孙树栋;李淑敏;蔡志强【期刊名称】《计算机集成制造系统》【年(卷),期】2012(018)008【摘要】针对设备运行状态识别与故障预测问题，提出一种基于时变转移概率的隐半Markov模型。

该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中，使Markov状态转移概率矩阵具有时变特性。

基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法，使其能够不断综合利用历史运行信息进行自我更新，以更加符合设备真实运行的过程。

同时以该模型为基础，利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。

通过某滚动轴承运行状态识别实例演示了该模型的建模过程，证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。

%Aiming at the problem of equipment operation state identification and fault prognosis, a Duration-Depend- ent Hidden SemFMarkov ModeI（DD-HSMM）was proposed. In this model, the historical operation information was merged into estimation process of Markov state transition probability matrix, thus the matrix had time variant char- acteristics. Furthermore, the parameter estimation method of Hidden Semi-Markov Model（HSMM）was studied based on improved forward-backward algorithm to make self-renewal by using historical operation information. The basic steps for predicting the Remaining Useful Life（RUL）of equipment was built by using fault rate method. Through a case of a rolling hearing＇s operation state todemonstrate the modeling process of proposed model, and the result showed that the proposed method was more effective than traditional HSMM model.【总页数】8页(P1861-1868)【作者】王宁;孙树栋;李淑敏;蔡志强【作者单位】西北工业大学机电学院,陕西西安710072 西北工业大学现代设计与集成制造教育部重点实验室,陕西西安710072;西北工业大学机电学院,陕西西安710072 西北工业大学现代设计与集成制造教育部重点实验室,陕西西安710072;西北工业大学机电学院,陕西西安710072 西北工业大学现代设计与集成制造教育部重点实验室,陕西西安710072;西北工业大学机电学院,陕西西安710072 西北工业大学现代设计与集成制造教育部重点实验室,陕西西安710072【正文语种】中文【中图分类】TP391【相关文献】1.基于支持向量机的电气设备运行状态图像识别方法研究 [J], 田有文;于琳琳;杨镔2.基于大数据的配电设备运行状态监控与故障预警系统设计 [J], 徐晓虹;郑昀3.基于KPCA-HSMM设备退化状态识别与故障预测方法研究 [J], 曾庆虎;邱静;刘冠军;谭晓栋4.基于小波相关特征尺度熵的HSMM设备退化状态识别与故障预测方法 [J], 曾庆虎;邱静;刘冠军5.基于未确知测度的机械设备运行状态识别与故障诊断方法研究 [J], 柴保明;王志腾;李文选;王鹏因版权原因，仅展示原文概要，查看原文内容请购买。

基于IMF能量矩和HSMM模型的滚动轴承故障诊断方法

ｓｅｖｅｒａｌｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ（ｒＭＦ）．ｔｈｅｎｃａｌｃｕｌａｔｅｈｅｔＩＭＦｅｎｅｒｇｙｍｏｍｅｎｔａｓｈｅｔｆａｕｌｔａｔｔｒｉｂｕｔｉｖｅｉｎｆｏｒ－
ｍａｉｏｒｎａｎｄｃｏｎｓｔｒｕｃｔｆｅａｔｕｒｅｖｅｃｔｏｒｓ，ｅｓｔａｂｌｉｓｈＨＳＭＭｍｏｄｅｌｆｏｒｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｈｅｔｒｏｉｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｓｃｈａｔｈｉｔｓｍｅｈｏｔｄｃａｎｅｆｆｅｃｉｔｖｅｌｙｅｘｔｒａｃｔｔｈｅｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｓ，ｔｈｅｒｅｃｏｇｎｉｉｏｔｎｒａｔｅｉｓｕｐｔｏ９０％，ｒｅａｌｉｚｅｈｅｔｐｒｅｃｉｓｅｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｉｎｔｇ．
ｄｉｆｉｃｆｕｌｔｔｏｒｅｃｏｇｎｉｚｅ．ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｈｏｔｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｂａｓｅｄｏｎＦｅｎｅｒｇｙｍｏｍｅｎｔａｎｄＨｉｄｄｅｎ

基于三维场景的供热管网设备运行状态监测与故障预测研究

基于三维场景的供热管网设备运行状态监测与故障预测研究张贵勇;陈剑;刘攀峰
【期刊名称】《电力设备管理》
【年(卷),期】2024()8
【摘要】供热管网作为城市供热系统的重要组成部分,设备运行状态直接关系到供热质量和安全性。

然而,传统的供热管网设备运行状态监测方法往往依赖于人工巡检或定期维护,不仅效率低下,而且难以实现实时监测和故障预警。

本文以某公司为例,对供热管网设备运行状态监测与故障预测技术路线与系统进行设计,从设备运行状态监测与故障预警两个方面进行分析研究。

【总页数】3页(P80-82)
【作者】张贵勇;陈剑;刘攀峰
【作者单位】国能寿光发电有限责任公司;北京电科智擎科技有限公司
【正文语种】中文
【中图分类】TU9
【相关文献】
1.基于DD-HSMM的设备运行状态识别与故障预测方法
2.基于HMM的机械设备运行状态评估与故障预测研究综述
3.基于机器视觉的机械设备运行状态监测与故障预警研究
4.基于数字化技术的变电设备运行状态监测和故障诊断
5.基于深度学习的主配网设备运行状态监测与预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的装备故障诊断方法

传统的故障诊断方法采用 “信号处理的特征提取＋机器学习模型。’’的形式，在特征提取方面，其不足之处在于需要大量的工程实践和信号处理技术来提取故障信息；在模型训练方面，浅层的模型无法解决数据量日益变大的设备故障问题，模型的监测和故障诊断能力均明显不足。
Ａｂｓｔｒａｃｔ：Ａｓａｎｅｗａｃｈｉｅｖｅｍｅｎｔｉｎｔｈｅｆｉｅｌｄｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，ｄｅｅｐｌｅａｒｎｉｎｇｈａｓｂｒｏａｄｐｒｏｓｐｅｃｔｓｉｎｔｈｅｆｉｅｌｄｏｆｅｑｕｉｐｍｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｅｗｍｅｔｈｏｄｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｅｑｕｉｐｍｅｎｔｆａｕｌｔｂｉｇｄａｔａａｎｄｔｈｅａｄｖａｎｔａｇｅｓｏｆｄｅｅｐｌｅａｒｎｉｎｇｔｈｅｏｒｙ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｒｉｎｃｉｐｌｅｏｆｔｈｅｄｅｎｏｉｓｉｎｇａｕｔｏ—ｅｎｅｏｄｅ￣ｔｈｅｕｎｓｕｐｅｒｖｉｓｅｄｆｅａｔｕｒｅｌｅａｒｎｉｎｇｏｆｔｈｅｔｒａｉｎｉｎｇｎｅｔｗｏｒｋｉｓａｃｈｉｅｖｅｄ，ａｎｄｔｈｅｓｔｒｕｃｔｕｒｉｎｇｏｆｔｈｅｗｈｏｌｅｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｃｏｍｐｌｅｔｅｄ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｙｐｅｏｆｆａｕｌｔ，ｔｈｅｏｕｔｐｕｔｌａｙｅｒｉｓｄｅｔｅｒｍｉｎｅｄ．ＵｓｉｎｇｔｈｅＢＰａｌｇｏｒｉｔｈｍ，ｔｈｅｓｕｐｅｒｖｉｓｅｄｆｉｎｅ－ｔｕｎｉｎｇｏｆｔｈｅｗｈｏｌｅｎｅｔｗｏｒｋｉｓｃａｒｒｉｅｄｏｕｔ，ａｎｄｔｈｕｓｔｈｅａｃｃｕｒａｃｙｏｆｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓｅｎｈａｎｃｅｄ．Ｂｙｍｅａｎｓｏｆｔｈｅａｂｏｖｅｍｅｔｈｏｄｓ，ｔｈｅｍｏｄｕｌｅ—ｌｅｖｅｌｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆａｃｏｍｍｕｎｉｃａｔｉｏｎｓｓｔａｔｉｏｎｉｓｃｏｍｐｌｅｔｅｄｔｈｒｏｕｇｈｅｘｐｅｒｉｍｅｎｔｓ．Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｂｉｇｄａｔａ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ；ｄｅｎｏｉｓｉｎｇａｕｔｏ—ｅｎｃｏｄｅｒ

hsmm故障预测步骤整理

HSMM 故障预测步骤整理一、两个核心1、退化状态识别（设计分类器）2、剩余寿命预测（全寿命预测模型）二、设计原理1、退化状态识别（1）需要设计分类器，假设齿轮箱从正常到故障共经历m 个健康退化状态，则需要设计m 个分类器：HSMM(1)....HSMM(m)。

（2）以其中一个状态的分类器为例，此时设计的模型只含有齿轮箱的一种退化状态，模型参数))(,,,(d P B A i πλ=。

π：初始概率的分布矢量；A ：状态转移矩阵；B ：观测值矩阵；)(d P i ：显示状态驻留时间概率分布；D ：最大驻留时间需要解决的问题：<1>模型初始参数如何确定？<2>如何不断修正参数使模型最大程度匹配齿轮箱实际状态？<3>以什么标准判断模型训练成功？解决方法：<1>用k-means 聚类分析算法对训练数据进行初始估计，得到B 、D 参数值，确定一个初始模型1λ；<2>用Baum-Welch 算法不断修正1λ，得到--λ；<3>计算ελλ≤---|)|()|(|1O P O P （收敛误差）时，模型训练成功。

注：多观测序列与单观测序列的区别是增加了同一运行工况下的样本数量。

单序列：],[,..21n x x x O =（x 在这里代表齿轮箱不同类别的特征值）多序列：],...,[21n O O O O =（括号中每一个O 代表一组单观测序列）常说的观测值的长度就是指采集的样本数量。

一般情况下采用的都是多观测序列，对应的模型训练步骤为：<1>用k-means 聚类分析算法确定模型初始参数；<2>用模块化训练算法修正模型；<3>用改进的前向-后向算法计算输出概率)|(i O P λ;<4>当ελλ≤---|)|()|(|1O P O P 时，停止迭代，训练成功。

（3）确定分类器的状态数<1>初始阶段如何最大程度的确定齿轮箱的退化状态数？<2>通过什么准则来不断合并其中的状态数，从而得到最终的退化状态分类器？解决方法：<1>往往是根据特征提取阶段得到的信号来对退化状态进行一个初步分类，比如初步划分为K 个状态（由先前的算法进行参数估计并分好类）；<2>根据MDL 准则判断是否有状态可以合并，完成分类。

基于HSMM的数控装备运行可靠性评估

其一是状态到状态之间的转移是随机的，它可以由个概率矩阵来描述，称这样的矩阵为状态转移概率矩阵，其二是每个状态的观察符号也是随机的，也
第２８卷第３期２０１３年９月
湖南科技大学学报（自然科学版）ＪｏｕｎｒａｌｏｆＨｕｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
摘
要：数控装备是高成本的产品，仅仅依靠寿命试验获得数控装备的失效时间耗费太大，在实验数据呈现小样本的情
况下研究数控装备的运行性能随时间而变化的规律，从而对数控机床进行可靠性评估是非常有重要意义的．提出采用隐半马
尔科夫模型（ＨＳＭＭ）对数控装备运行性能特征参数进行数据挖掘，计算出描述数控装备从正常状态到失效状态变迁过程的状态转移矩阵．结合状态转移矩阵和马尔科夫预测模型对数控装备运行可靠性进行评估．最后，在一款数控铣床上验证该方法
Ｖｏ１．２８Ｎｏ．３Ｓｅｐｔ．２０１３
基于ＨＳＭＭ的数控装备运行可靠性评估
袁军，毛征宇，刘繁茂
（１．湖南科技大学机电工程学院，湖南湘潭４１１２０１；２．湖南科技大学机械设备健康维护省重点实验室，湖南湘潭４１１２０１）

基于数据自组织挖掘的机械设备状态退化预警方法

基于数据自组织挖掘的机械设备状态退化预警方法胡瑾秋;张来斌;胡春艳;李文强【摘要】在设备状态监测过程中引入数据自组织挖掘思想,建立一种设备状态退化预警方法.采用隐马尔科夫模型(HMM)对设备的早期退化状态进行准确辨识和评估,并进一步建立设备退化过程的自组织预测模型.案例分析中将该方法应用到旋转机械轴承运行状态退化的预警过程中.结果表明,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1％.新方法能够预测设备未来时间段的退化状态及其发展趋势,提前给出预警信息,有效地制定预知维修计划,及时采取预防措施,防止因设备突发失效引起非计划停机造成生产和经济损失.【期刊名称】《中国石油大学学报（自然科学版）》【年(卷),期】2014(038)003【总页数】6页(P142-147)【关键词】数据自组织挖掘;隐马尔科夫模型;数据分组处理方法;状态退化预警【作者】胡瑾秋;张来斌;胡春艳;李文强【作者单位】中国石油大学机械与储运工程学院,北京102249;中国石油大学机械与储运工程学院,北京102249;中国石油大学机械与储运工程学院,北京102249;中国石油大学机械与储运工程学院,北京102249【正文语种】中文【中图分类】TH17机械设备中一旦任何部件发生故障,常引发连锁反应,造成重大生产损失,甚至导致灾难性的安全事故。

曾庆虎等[1]提出一种基于小波相关特征尺度熵和隐半马尔可夫模型的设备退化状态识别方法。

为消除多通道观测信息冗余,压缩高维故障特征,曾庆虎等[2]进一步提出了基于KPCA-HSMM设备退化状态识别方法。

袁湘辉等[3]给出了一种MHMM-SVM混合模型,提高了电子装备早期故障的识别率。

雷金波[4]运用逻辑回归模型评估设备运行状态的退化情况,并采用支持向量机回归对设备运行状态的趋势进行预测。

吕克洪[5]提出基于时间应力分析的故障预测技术,提高了预测置信度。

基于小波相关特征尺度熵的HSMM设备退化状态识别与故障预测方法

ｆｒｅｒ，ｉｃｎｂｉｃｌｓｄｆｒｐｏｎｓｓＢｓｄｏｈｉｌｒｙｂｔｅｉｒｔｎａｄｓｕｄｓｎｌ，ｕｔｒｍｏｅｔａｅｄｒｔｕｅｏｒｇｏｉ．ａｅｎｔｅｓｍｉｉｅｗｅｎｖｂａｉｎｏｎｉａｓｈｅｙａｔｏｇ
ＨＳＭＭｓｉｔｏｕｅｏｄｇａａｉｎｓａｅｒｃｇｉｉｎａｄｆｕｔｐｏｎｓｓｏｃｉｅｙｅｕｉｍｅｔｎｔｏｆｉｎｒｄｃｄｔｅｒｄｔｏｔｔｅｏｎｔｎａｌｒｇｏｉｆｍａｈｎｒｑｐｎ，ａｄａｍｅｈｄｏｏｄｇａａｉｎｓａｅｅｏｎｔｎｎｆｕｌｒｇｏｉｉｐｒｐｓｄｅｒｄｔｏｔｔｒｃｇｉｉａｄａｔｏｎｓｓｓｏｏｅｂａｅｏｗａｅｅｃｒｅａｉｎｅｔｒｓａｅｎｒｐｏｐｓｄｎｖｌｔｏｒｌｔｏｆａｕｅｃｌｅｔｏｙ
ｓｒｃｅｙａｄｎｅｏａｏｏｎｎｏｔｌ— ｅｎｄＨＭＭｔｕｔｒｔｕｔｄｂｄｉｇａｔｍｐｒｌｃｍｐｎｅｔｉｔｈｅｗｅｌｄｆｅｉｓｒｃｕｅ，ｗｈｃｖｒｏｓｔｅｍｏｅｉｇｌｔ・ｉｈｏｅｃｍｅｈｄｌｎｉａｍｉｔｏｆＨＭＭｕｏｔｅＭａｋｖｃｉｓｕｔｎ．Ｔｈｒｆｒｉｎｏｄｅｔｈｒｏｈａｎａｓｍｐｉｏｅｅｏｅ，ｉｉｒｖｓｔｅｐｏｒｉｄｌｎｎｌｓｓｎｔｍｐｏｅｈｗｅｎｍｏｅｉａｄａａｙｉ，ａｄｎｇ

基于二阶多项式模型的焊缝缺陷几何量定征技术

基于二阶多项式模型的焊缝缺陷几何量定征技术周红明;余松青;周闻青;茅振华【摘要】为了解决超声TOFD成像难以精确测量缺陷位置及其尺寸的问题,提出了一种基于二阶多项式模型的焊缝缺陷几何量精确定征技术.在分析焊缝缺陷超声TOFD成像特性的基础上建立超声TOFD检测图像的参数化模型,并采用模型与实测数据之间的代数距离作为优化目标函数,将非线性的参数估计转换为线性的矩阵求解问题,在精确获取焊缝缺陷的尺寸及其位置等几何量信息的同时还能够大幅度地提高缺陷几何信息参数的估计效率.仿真与实验结果显示误差均在5％以内,表明了该定征方法的可行性和有效性.【期刊名称】《机械设计与制造》【年(卷),期】2016(000)006【总页数】4页(P222-225)【关键词】焊缝缺陷;超声TOFD成像;参数化建模;几何量定征【作者】周红明;余松青;周闻青;茅振华【作者单位】浙江省计量科学研究院,浙江杭州310018;浙江大学光电科学与工程学院,浙江杭州310027;浙江省计量科学研究院,浙江杭州310018;浙江省计量科学研究院,浙江杭州310018;浙江省计量科学研究院,浙江杭州310018【正文语种】中文【中图分类】TH16在超声TOFD检测过程中，为了扩大声场在工件内的覆盖范围，降低缺陷漏检的概率，通常使用小晶片、大扩散角的换能器。

由于扩散声场的存在使得检测时产生大量的冗余信息，比如在超声TOFD检测的B扫描过程中，缺陷端点在超声TOFD检测图像中呈现明显的抛物线特征，从而无法直接从图像中获取缺陷的位置、大小等几何量信息，极大地阻碍该技术在具有缺陷精确定量化要求的焊缝质量监控中应用[1-2]。

为消除检测图像中冗余信息的影响，提高缺陷几何量的测量精度，国内外学者开展了相关的研究，如文献[3]提出了一种基于SAFT的超声TOFD检测图像处理技术，该技术将超声TOFD检测图像在线性化的基础上进行合成孔径聚焦处理，以此来提高焊缝缺陷几何量测量的精度。

相关主题

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第１２期
王
宁，：于ＨＭ的两阶段设备缺陷状态识别方法等基ＳＭ
１２两阶段设备ＨＭＭ．Ｓ
・５１・４６
迟时间理论直接对设备的剩余寿命进行了估计。但是，随着设备的复杂程度增加，某些设备状态难以直接观测，能利用反只
第２８卷第１２期
２１０１年１２月
计算机应用研究
ＡｐｉａｉｎＲｅｅｒｈｏｍｐｔｒｐｌｔｏｓａｃｆＣｏｕｅｓｃ
Ｖｏ＿８Ｎｏ１Ｊ２．２
Ｄｅ．２ｌｅ０ｌ
基于ＨＭＭ的两阶段设备Ｓ缺陷状态识别方法木
ｅｎＰｌｅｈｉｌｎｅｉ，ｉａ１０２，＾ｎ）ｒｏｙｃｎｃｉｒｔＸ ’ ｎ７０７ＣｎｔａＵｖｓｙ
Ａｂｔａｔｈａｅｒｏｅｅｈｄｏｍｉｔｎｓｔｒｃｇｉｏａｅｉｈｄｎｓｍｉｒｏｏｅ（Ｓｓｒｃ：ＴｉｐｐｒｏｓｄａｍｔｏｆｉｔｉｔｅｅｏｎｉｂｓｄＯｉｅｅ — ｋｖｍｄｌＨＭＭ）ｆｏｓｐｐｌａｏａｔｎｌｄＭａｏｔｒｗｓｇｑｉｍｎｔｏｅｏｅｔｅｉｄａｔｅｏａｉｏａｈｄｎＭａｋｖｏｅ（ＭＭ）ｗｉｙｏｅｉｄｔａｔｅｙｔｍｔｅｅｕｐｅｔｏｖｒｍｓｖｎａｓｆｒｄｉｌｉｅｒｏｄｌＨａｃｈｄａｇｔｔｎｄｍ，ｈｃｈｐｔｓｅｔｈｓｈｈｚｈｓｅ
再次，基于建立的ＨＭＳＭ模型，出了两阶段设备缺陷状态早期识别的计算公式及步骤，给通过对状态停留时间
的概率估计实现了对缺陷状态的早期识别；后，过计算机仿真方法模拟了ＨＭ模型的建模、最通ＳＭ参数估计及缺陷状态识别过程，而验证了该方法的有效性和准确性。从
ｓａｅｄｒｔｎｓｓｂｔｏｔｅｅｐｎｎｉｌｉｔｂｔｎＦｒｔｉａａｙｅｈｔｃｕｅｎｈｒｃｅｉｉｓｏＭＭ，ｎｓｔｔｕａｉｓｍｕｔｕｍｉｔｈｘｏｅｔｓｉｕｉ．ｉ．ｎｌｚｄｔｅｓｕｔｒｓａｄｃａａｔｒｔｆｏａｄｒｏｓｔｒｓｃＨＳａｄｅ— ｔｂｉｅｒｃｉａＨＳａｌｈｄａｐａｔｌＭＭｆｒｔｏｓａｅｅｕｐｎｃｏｄｎｏｒａｏａｌｓｕｔｎｉｔｅｂｓｓｏｙｔｍｅｒｄｔｎｓｃｏｗ —ｔｇｑｉｍｅｔａｃｒｉｇｔｅｓｎｂｅａｓｍｐｉｓＯｌｈａｉｆｓｓｏｅｄｇａａｉｏｐｏｅｓＴｅｒｃｓ．ｈｎ，ｆｒｔｅｐｒｍｅｅｓｉｔｎｏＭＭ，ｎｒｄｃｄｔｅｍａｉｍｉｅｉｏｄｅｔｔｎｍｅｈｄｔａｃｌｔｔｅｏｈａａｔｒｅｔｍａｉｆＨＳｏｉｔｏｕｅｈｘｍｕｌｋｌｏｓｉｉｔｏｏｃｌｕａｅｈｈｍａｏｄｒｔｎｐｒｄｏｕｒｎｔｔｔｍａｌａｌｓＮｅｔｉｐｔｏｗａｄｔｅＨＳｕａｉｅｉｆｒｔａｅｗｉｓｌｓｍｐｅ．ｘ，ｕｒｒｈＭＭａｅｉｔｔｎｓｔｅｏｎｔｎｐｏｅｓｆｒｏｏｃｅｓｈｔｆｂｓｄｌａｉｔｅｒｃｇｉｏｒｃｓｍｉｏａｉｏｔｔｇｑｉｍｅｔｓｇｔｅｔｓｄｓａｅｇｎｒｔｄｔｔｅｐｅｅｔｔ．ａｔｉｉｌｍｅｔｄａｘｍｐｅｏｗ —ｔｇ — ｗｏｓｅｅｕｐｎｉｈｅｔｔｔｅｅａｅｍｈｒｓｎｉａｕｎｅｍｅＡｔｌｓ．ｔｍｐｅｎｅｎｅａｌｆｔｏｓａｅｅｑｉｍｅｔｅａｌｉｌｔｅｐｏｅｓｓｏＭＭｄｌｇ，ａａｔｒｓｉｔｎａｄｌｔｔｎｓａｅｒｃｇｉｏ．ｈｉｕｐｎｘｍｐｅｔｓｏｍｕａｅｔｒｃｓｅｆｈＨＳｍｏｅｉｎｐｒｍｅｅｔｅｍａｉｎｉａｉｔｔｅｏｎｔｎＴｅｓｍ— ｏｍｉｏｉ
王宁，孙树栋，蔡志强，李淑敏
（西北工业大学机电学院现代设计与集成制造教育部重点实验室，西安７０７）１０２
摘要：针对传统马尔可夫模型（ＭＭ）态停留时间必须服从指数分布假设的不足，出了一种基于隐半马Ｈ状提
收稿日期：０１０．０２１—５３；修回日期：０１０ —Ｏ２１．６３
陕西省科技计划资助项目（００８１）２１Ｋ－１
图１两阶段设备退化过程
在两阶段设备状态预测方面，［］文献３基于设备状态可直接观测的假设，了基于０１建立和离散状态的两阶段设备状态
关键词：状态识别；延迟时间；隐半马尔可夫模型；两阶段设备
中图分类号：Ｔ３１Ｐ９
文献标志码：Ａ
文章编号：１０ — ６５２１）２４６ —４０１３９（０１１— ５００
ｄｔ１．９９ｊｉｎ１０ —６５２１．２０３ｏ：０３６／．ｓ．０１３９．０１１．４ｓ
题，献［采用隐马尔可夫模型（ｉｄｎＭａｋｖｍｄｌ文２］ｈｄｅｒｏｏｅ，ＨＭＭ）和延迟时间理论对两阶段设备的缺陷状态识别进行了研究，出了缺陷状态早期识别和剩余寿命的估计方法。根据给状态持续时间服从指数型分布的假设，ＭＭ主要通过状态转Ｈ移矩阵推导得到系统在状态下持续ｈ个单位时间的概率分布为Ｐ（）：。（。），ｈｈ１一ｊ但对于实际设备，非所有劣化并
尔可夫模型（ＳＭ）两阶段设备缺陷状态识别方法。首先，过分析ＨＭ模型的参数构成及基本特点，ＨＭ的通ＳＭ并结合两阶段设备的劣化过程特点提出合理的假设条件，建立起用于描述两阶段设备运行状态的ＨＭ模型；ＳＭ其次，对ＨＭ模型的参数估计问题，最大似然估计法，针ＳＭ引入并提出了小样本条件下求解状态持续时间的方法；
Ｍｅｈｄｏｉｔｔｎｓａｅｒｃｇｉｉｎｆｒｔｏｆｌｍｉａｉｔｔｅｏｎｔｏｏｏ
ｔｏｓａｅｅｕｐｎａｅｎＨＳｗｔｇｑｉｍｅｔｂｓｄｏＭＭ
ＷＡＮＧＮｎｉｇ。ＳＮＳｕｄｎ，Ｃｈ — ｉｎＵｈ —ｏｇＡＩＺｉｑａｇ，Ｌｈ — ｉＩＳｕｒｎａ
因此，迅速准确识别两阶段设备的缺陷发生时刻Ｕ是建立设，备维修决策方法的重要步骤，引起了研究和维修人员的广泛
关注。Ｊ
延迟时间
｝． — — —— 一 — —— １．
｝
ｌ０
堂查
ｉ
缺陷发生点
．
ｌ
预测模型（中状态０表示设备处于正常状态，其而状态１表则示缺陷状态）。文献［］于设备当前运行状态信息，用延４基采
ቤተ መጻሕፍቲ ባይዱ
基金项目：民用飞机关键技术预先研究项目；空科学基金资助项目（０９Ｅ３５）航２０Ｚ５０２；
作者简介：宁（９２）陕西合阳人，王１８．，博士研究生，主要研究方向为故障预测、维修决策（ａｇｉｇｒａｎ＠ｙｈｏｃｒ．ｎ；孙树栋（９３）ｗｎｎｎｄｅｍｉｇａｏ．ｏｃ）ｎ１６一，
甘肃庆阳人，教授，博导，主要研究方向为车间计划调度、装备维修策略；蔡志强（９１）湖南衡阳人，１８－，讲师，博士，主要研究方向为故障诊断、装备
维修；李淑敏（９６）山东郓城人，１８．，博士研究生，主要研究方向为供应链、装备维修．
ｕａｉｎｒｕｔｅｉｙｔｅｅｆｃｉｅｎｓｆｔｅｐｒｐｏｅｔｏｓｌｔｏｅｓｌｓｖｒｆｈｆｅｔｖｅｓｏｈｏｓｄｍｅｈｄ．
Ｋｅｏｄ：ｓｔｒｏｎｔｎｅｙｔｅｉｅｅｉｒｏｏｅ（ＳＭ）ｗ — ａｅｅｕｍｎｙｗｒｓｔｅｅｇｉｏ；ｄｌｍ；ｈｄｎｓｍ — ｋｖｍｄｌＨＭａｃｉａｉｄＭａ；ｔｏｓｇｑｉｅｔｔｐ
缺陷生点，时间
称为两阶段设备，图１所示。当设备处于正常运行状态时，如
测量信号值通常较平稳，即围绕某一个常数上下随机波动；然而当设备进入缺陷运行阶段时，由于缺陷的产生，测量信号通
常会偏离原有的平稳信号而出现异常的变动趋势，并且随着缺陷劣化程度的增加而不断加剧。其中，缺陷发生时刻标志着设备缺陷运行阶段的开始，也代表了设备进入缺陷运行状态。