10.13465/j.cnki.jvs.2019.08.026
基于HDP-HMM的机械设备故障预测方法研究
针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法.该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测.利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究.结果 表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程.
分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)、退化状态、故障预测
38
TH165.3
国家自然科学基金51405246;江苏省自然科学基金BK20151271;南通市应用基础研究-工业创新项目GY12016010;江苏省研究生科研创新计划项目KYCX17_1913;江苏省“六大人才高峰”高层次人才资助项目2017-GDZB-048
2019-07-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
173-179