文档介绍：轴承故障诊断与故障预测方法张星辉 a,康建设 a,刘占军 a,李志勇 b (军械工程学院?;,石家庄?050003) 摘要:分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。关键词:滚动轴承;故障诊断;故障预测;隐Markov模型;层次隐Markov模型;动态Bayes网络;剩余寿命预测中图分类号:???文献标志码:A???文章编号:1000-3762(2011)01-0048-05 DiagnosisandPrognosisMethodforBearingFault ZHANGXing-hui a,KANGJian-she a,LIUZhan-jun a,LIZhi-yong b (; ,OrdnanceEngineeringCollege,Shijiazhuang050003,China) Abstract: plicatedandtakeslongtime,theHHMMistransformed appliedtofaultdiagnosisandfaultprognosis(remainingusefullife,RUL) validityofthemethods. Keywords:rollingbearing;faultdiagnosis;faultprognosis;HMM;HHMM;DBN;remainingusefullifeprediction ??轴承的故障是一个从正常到失效逐步演化的多状态过程,这些状态不能直接观测,但可以通过外部设备测量得到的信号来反映状态的变化。故障诊断和预测就是通过对测量得到的信号进行分析,提取反映设备故障特征的特征向量,应用模型来识别设备的健康状态,并对未来一段时间内的状态进行估计,或预测设备的剩余使用寿命。文献[1]将隐Markov模型(HMM)应用于故障诊断和预测,并提出了基于HMM的故障诊断和预测框架。文献[2]将轴承状态分为正常、点蚀、浅层剥落、深层剥落和失效5个状态。但轴承在实际运行过程中,这些状态之间的时间间隔都很长,诊断得出的结果只能粗略反映轴承的退化量,不能很好地预测剩余寿命的值。如果HMM划分的状态收稿日期:2010-07-19;修回日期:2010-08-30 作者简介:张星辉(1984?),男,汉族,山西省文水县人,硕士研究生,主要研究方向为故障诊断和预测、维修工程的理论与应用。E-mai:ldynamicbnt@。过多,模型本身的计算复杂度随状态数的增加呈指数级增长,并且需要大量的样本进行训练。而层次隐Markov模型(HHMM)可以对轴承的状态进行分层表达,进一步将5个状态表达为5个 HMM,可以更精确地反映轴承的退化过程,提高剩余寿命预测的精度[3-4]。 1?HHMM的基本原理 HHMM是HMM的一种扩展形式,是结构化的多层随机过程,能够用来表述时序数据的等级结构特性。如图1所示,在一个HHMM模型中, 顶层状态由子状态组成,当且仅当子状态结束时顶层状态才转移到下一个状态。图1?状态分层表示(A?顶层状态;B?子状态) ISSN1000-41-1148/TH ?轴承?2011年1期 Bearing2011, ????????????????????????????????48-52 ?HHMM模型描述(1)模型中隐状态为q di(d?{1,?,D}),i为状态序号,d为层序号,最上层序号为1,最下层序号为D。(2)模型中与隐状态对应的m个观测值为O= {o 1,?,o m}。(3)状态转移概率:状态q di的转移概率矩阵为A q d=(a q dij),其中a q dij=P(q d+1 j |q d+1 i )是d+1层从i状态到j状态的一次水平转移。q d+1 i,q d+1 j 都是q d的子状态。q d的子状态的初始概率分布为? q d={? q