CN110232416A - 基于hsmm-svm的装备故障预测方法 - Google Patents

Abstract

本发明提供基于HSMM‑SVM的装备故障预测方法，在HSMM初始模型参数选取中，将ε机模式发现机理与HSMM相结合，运用因果态分给重构算法得到装备故障退化态数目和状态转移概率，并在经典K‑means聚类方法的基础上，引入粒子群算法对初始中心选取进行优化，提出改进K‑means聚类算法，最后基于HSMM的退化识别过程中，利用SVM类间分类能力强的优势，构建HSMM‑SVM退化态识别模型。本发明在基于HSMM的故障预测方法进行了大量改进，创新了一种新的故障预测技术，并利用装备车液压系统进行了验证，证明了该方法的有效性。

Description

基于HSMM-SVM的装备故障预测方法

技术领域

本发明涉及一种故障预测方法，尤其涉及一种改进的HSMM故障预测方法。

背景技术

HSMM理论，HSMM是在马尔可夫链的基础上发展而来的，是由马尔可夫链和一般随机过程两部分组成的一种概率模型。马尔可夫链模型是一个随机变量序列，它对应于某个系统的状态，而系统未来时刻的状态仅依赖于当前时刻的状态，与之前时刻的状态无关。

马尔可夫链的数学描述如下：

假设随机过程的取值为一个有限或可数的集合{q_t,t＝1,2,…}，共有N个状态S₁,S_i,…S_N，t时刻的状态记为q_t，q_t∈{S₁,S_i,…S_N}。若未来状态S_j的分布独立于过去状态而仅依赖于当前状态S_i，即满足：

P(q_t+1＝S_j|q_t＝S_i,q_t-1＝S_k…)＝(q_t+1＝S_j|q_t＝S_i)

则称该随机过程为马尔可夫链。

将状态S_i转移到状态S_j的概率记为a_i,j，即 a_i,j＝P(q_t+1＝S_j|q_t＝S_i)且满足：

由转移概率a_i,j组成的矩阵为状态转移矩阵。一条马尔可夫链和一个状态转移矩阵就构成了一个马尔可夫模型。

HMM状态之间的转移是随机的，状态的观测值也是随机的。理想情况下，总是希望马尔可夫链中的状态是可以直接观测到的，只要通过求取各状态间转移概率就可以很好描述该模型。而实际情况中，描述状态转移的马尔可夫过程是不可直接观测的，往往只能根据一系列观测值来推测所处状态，而且观测值是以一定的概率依赖于状态。这也是“隐”的含义。所以HMM更符合实际应用，能够较好的描述装备状态间的转换。

HMM主要由以下五个参数描述：

1.N:模型的状态数。记有N个状态S₁,S_i,…S_N，q_t是t时刻模型所处的状态，且q_t∈{S₁,S_i,…S_N}。

2.M：每个状态包含的可能的观测值数目。记v₁,v₂,…,v_M是M个观测值，O_t是t时刻的观测值，O_t∈{v₁,v₂,…,v_M}。

3.π：初始状态概率向量，π＝{π_i}，其中，π_i＝P(q₁＝S_i)，1≤i≤N。

4.A：状态转移概率矩阵A＝{a_i,j}，即在某一状态下转入另一状态的概率，其中a_i,j＝P(q_t+1＝S_j|q_t＝S_i)，1≤i,j≤N。

5.B：观测值概率矩阵B＝{b_j(k)}，即某一特定状态下，观测值的概率分布，其中：b_j(k)＝P(o_t＝v_k|q_t＝s_j)，1≤j≤N，1≤k≤M。为了便于描述，HMM可简记为：λ＝(π,A,B)，此外，上述各参数需满足以下条件：1≤j≤N。

随着HMM的不断发展，其类型日益丰富，诸如连续隐马尔可夫模型，半连续隐马尔可夫模型、离散隐马尔可夫模型、自回归隐马尔可夫模型、隐半马尔可夫模型等。其常见的HMM结构示意图主要有以下几种，如图1(a)-图1(d)所示：装备的使用状态都会随着使用时间的延长而退化，且只能从正常态向故障态演化，几乎不能在不进行人为干预的情况下从故障态向正常态演化。在演化过程中，故障态可能出现跳变，即从正常态直接演化至故障态2，而跳过故障态1。所以，选取一阶跨越左右型HMM作为装备故障预测模型较为合适。

在实际应用中，运用HMM进行故障预测，其核心是解决三个基本问题：

1.评估问题。在已知λ＝(π,A,B)的条件下，如何有效地计算一个 HMM产生的特定观测值序列O＝{o₁,o₂,…,o_T}的概率P(O|λ)。

2.解码问题。在已知λ＝(π,A,B)和O＝{o₁,o₂,…,o_T}的条件下，如何选择一个最能合理解释O的状态序列Q＝{q₁,q₂,…,q_T}。

3.HMM训练问题。如何调整模型参数λ＝(π,A,B)，使得该模型产生观测序列O＝{o₁,o₂,…,o_T}(训练数据)的概率P(O|λ)最大。

这三类问题分别由前向-后向算法、Viterbi算法、Baum-Welch算法解决。

群智能算法(SI)是采用随机优化策略进行优化的一类算法，具有良好的全局寻优能力，因此，许多学者将SI作为优化人工神经网络的学习算法，但这些方法都只是在确定的神经网络结构，激活函数和优化函数的前提下，对神经网络的连接权值和偏置量进行优化，既不能保证其连接权值和偏置量在全部可选的网络结构上达到最优，且其网络结构，激活函数和优化函数是否选择合理也缺少理论支撑。

因此，本发明针对深度神经网络在故障诊断方面所存在的问题，将自适应遗传算法和深度前馈网络相结合，提出一种基于自适应遗传算法优化的深度前馈网络故障诊断模型。

2.ε机理论

ε机是由美国加州大学James P.Crutchfield等人提出的一种统计力学工具，可以解决模式发现中的“语言”问题。该理论主要活跃于 Santa Fe Institute和加州大学，它能够不需要人为经验的假设，立足于数据本身，通过分析观测序列的历史状态预测未来状态。装备故障预测中，故障状态大多数要通过外在表现来确定，但相同的故障态其内在原因不尽相同。ε机最大的特点是能通过装备自身来确定其状态，并能够对其隐含的状态进行研究分析。

假设有一个时间离散、取值离散的随机过程，…S_-2S_-1S₀S₁S₂…，其中S_i取值于一个符号集A。在任意时刻t，可以将随机变量序列划分为一个过去时态和一个未来时态假设对可观测的未来事件A，(s为S的一个样本)不依赖于时刻t，则可以将下标省略，简记为和将未来时态的前L个字符记为过去时态的后L个字符记为

对未来时态的预测，即通过来预测其实质是预测产生的概率每种预测方法都可以理解为是过去时态集合的划分，这个划分应该包括所有过去时态。例如，假设某一运算ε是用来计算当则和在同一个划分。这种划分里的所有过去时态就称为有效态。简单来说，ε机的思想可以理解为：在已知“历史总是惊人的相似”的情况下，根据在“不同的时间，不同的地点，针对某一类似事件，其发展趋势总是相似的”，推测“不同的人物所处的状态是相似的”。用函数η来表示从过去时态向有效时态的映射，假设随机变量的有效态称为R，则函数η值的集合记作R。在上进行一个R划分，使其满足的划分方式不只一种，为了计算方便，同一认为满足Occam准则的R划分即为最优划分，为了进行区分，将此时的有效态称为因果态。ε机中的关键是明确运算，其定义如下：

对任意字符数L，因果态方程为：

，用S表示一个因果态，S表示因果态的集合，则从状态σ_i向状态σ_j转移的概率为：

定义则将因果态方程和状态转移概率构成的有序对称为一个过程的ε机。现有文献证明了ε机的性质，现将其主要性质简述如下：

性质1齐次性：属于同一因果态的过去时态关于未来时态的概率分布相同。

性质2独立性：某一过程的未来时态和过去时态是相互独立的。

性质3马尔可夫性：所有因果态时一个马尔可夫过程。

性质4确定性：在自动机理论领域，ε机的确定性是指已知当前状态和标识L，则其未来时态唯一。

性质5可重构性：在某一给定过程已知情况下，可通过分析计算增量模型、经验估计等方法重构ε机。

由于ε机具有马尔可夫性，其因果态集合正好可以作为HSMM的状态集合。

粒子群算法原理

粒子群算法全局搜索能力强，收敛速度快，易于实现，是一种应用广泛的全局寻优算法。该算法的研究对象是空间中的一群粒子，每个粒子都有位置、速度和适应度，通过这三个参数来进行迭代寻优，找到最优解。具体算法描述如下：

假设n维空间中，有m个微粒，第i个微粒在空间中的位置为 X_i＝(x_i1,x_i2,…,x_in),i＝1,2,…m，其运动方向用速度表示，记作 V_i＝(v_i1,v_i2,…,v_in)i＝1,2,…m，将粒子在空间的位置代入适应度函数可计算出适应度，通过适应度可判断粒子所处位置的优劣。每个粒子在搜索过程中经过的最好位置称为自身最优解，记作 Gb＝(Gb₁,Gb₂,…Gb_n)。粒子群的速度和位置更新公式如下式所示：

V_i(t+1)＝ωV_i(t)+c₁×r₁×(Pb_i-X_i)+c₂×r₂×(Gb-X_i)

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，ω表示惯性权重，c₁、c₂表示加速常数，r₁、r₂表示0到1 之间的随机数，t表示迭代次数。粒子群算法具体步骤如下：

Step1:随机初始化粒子群及各粒子参数；

Step2:选择恰当的惯性权重ω，计算各粒子的适应度，如果某一粒子的适应度比历史最优适应度Pb_i好，则将其作为最新的自身最优解；

Step3:比较自身最优解与群体最优解适应度的大小，如果Pb_i适应度大，则更新群体最优解Gb；

Step4:根据公式V_i(t+1)＝ωV_i(t)+c₁×r₁×(Pb_i-X_i)+c₂×r₂×(Gb-X_i)

X_i(t+1)＝X_i(t)+V_i(t+1)不断更新粒子的位置和速度；

Step5:设置迭代次数或满足某些条件的解为结束条件，如果达到条件则结束，否则转至Step2。

SVM算法

实际应用中，样本集多数为非线性的，无法直接使用上述两节中的最优分类函数，为此，需利用核特征空间非线性映射算法，通过一个非线性映射，将非线性样本集映射到一个高维特征空间，形成线性可分样本集，再应用线性支持向量机来进行分类。在SVM中，为了减少计算复杂性，一种选取核函数K(x,y)来实现非线性映射。

求解过程中只涉及到内积运算，因此，只要选取满足Mercer条件的适当的核函数就能实现最优超平面的求解。在高维空间用某核函数K(x_i,x_j)来代替内积(x_i,x_j)，则对偶二次规划问题转化为：

相应的最优分类函数为：

核函数的选择直接影响SVM的分类效果，常用的核函数主要有多项式核函数：

K(x_i,x_j)＝(x_i·x_j+1)^q q∈R，径向基核函数： K(x_i,x_j)＝exp(-q||x_i-x_j||²)q∈R，高斯核函数 K(x_i,x_j)＝exp(-||x_i-x_j||²/σ²)σ∈R。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供基于 HSMM-SVM的装备故障预测方法，能够解决人为经验设定与实际情况不符的问题，提高了HSMM预测精度，还可解决由于初始中心随机选取导致聚类效果不佳的问题，并能弥补单一HSMM类间分类能力弱的缺点，提高了退化态识别精度。

本发明采用如下技术方案：

S1、通过ε机对HSMM模型进行参数优化：

一个模型的好坏，很大程度上取决于参数选取的好坏，它不仅可以影响模型的精确度，还影响其收敛速度。

HSMM中，关键问题就是如何选取参数，使基于最大似然判决的重估算法求得的局部最大值和全局最大值接近。与HMM类似，参数π只对马尔可夫链产生影响，其初始值选取对模型影响不大，通常设置为满足一定条件的均匀分布值或非零的随机数。参数A可以通过ε机 CSSR算法得到的转移概率来确定。相较于参数π和A，参数B的初始值选取对模型的影响较大，一般不能随机给出，需采取较为复杂的初始选取方法。P_j(d)初始化可采用单高斯分布参数法或其他复杂算法。

对观测值概率密度函数的初始化，实际上就是对参数ω_jg、u_jg和U_jg初始化，一般采用K-means聚类方法对参数 B的初值进行选取。K-means聚类法的核心思想是使每一个类别内的数据点相似性尽可能大，不同类间数据点相似性尽可能小。

经典K-means聚类法具体步骤如下：

Step1:选取训练样本，随机选取k个特征向量，每个特征向量代表一个初始中心；

Step2:对剩余的训练样本，采用欧氏距离公式计算其到K个聚类中心的距离，依据“最小距离”将样本划分到相应的类别中；

Step3:重新计算各类别中的中心值；

Step4:检验聚类操作是否满足迭代终止条件：若不满足，重复 Step2、Step3；若满足，则迭代终止。

经典K-means聚类法中，k值大小和初始中心的选择对聚类效果有着重要影响。一般情况下，对于聚类的类别数是无法提前知晓的，通常根据一定的先验知识随机选取k值的大小。目前大量理论证明，其合理的取值范围是若要进一步确定k值，需采取其他合理的方法。

本发明采用ε机确定信号中所隐含的状态数，状态数就是K-means 聚类中的类别数，因此k值与状态数相等。初始中心一般也采用随机选取方法，但数据点偏多时，该方法波动范围较大，稳定性差。此外，不同的初始中心产生的是不同搜索路径，得到的是不同的局部最优解，而非全局最优解。为了提高HSMM预测精度，有必要选取适当的方法来确定初始中心，提高K-means聚类效果。

S2、将粒子群算法与K-means聚类算法相结合，改进了K-means 聚类算法。

利用粒子群算法全局搜索能力强的优点，将粒子群算法与 K-means聚类算法相结合，提出K-means聚类优化算法，先用粒子群算法求出最优解，再根据k值选取初始中心，降低了K-means聚类算法对初始中心的敏感性，提高了聚类精度。

一般情况下，K-means聚类算法将粒子群算法求出的群体最优解作为初始中心进行聚类，本发明中，k值根据ε机确定，k值与群体最优解个数不一定相符。因此，在具体应用中算法步骤如下：

Step1:根据粒子群算法步骤求出群体最优解Gb＝(Gb₁,Gb₂,…Gb_n)；

Step2:若k＞n，则任意选取k-n个初始中心；若k＜n，则从最优解Gb中任意选取k个值作为初始中心；

Step3:按照K-means聚类算法，输出最终聚类结果，采用欧氏距离计算各分类中的点到中心的距离，记作F；

Step4:设置迭代次数，重复Step2、Step3，从中选出F值最小的作为最终分类结果。

为检测聚类效果，参照通用检验方法，选用UCI数据集中Iris数据集进行检验。该数据集共有3个分类，每个类别有50组数据，共有150组数据，每个数据包含4个属性。设置粒子群数为50，迭代次数为100，分别用K-means算法和本文算法对Iris数据集进行聚类，其结果如下表1所示：

表1 Iris数据集聚类结果

通过实验结果可知，虽然本发明算法收敛速度不如传统K-means 算法，但其分类准确率却有较大提升，且能克服收敛速度过快易收敛到局部最优解的问题，可以满足本发明分类需求。

S3、将SVM与HSMM相结合，创新了基于HSMM-SVM的装备故障预测方法(其中HSMM的参数选取使用经ε机和粒子群优化的 K-means聚类算法)

基于HSMM进行故障预测，首先要运用小波包熵提取特征向量，建立全寿命特征向量序列，然后，利用全寿命数据训练一个具有所有退化态的HSMM，求取各状态的驻留时间，结合实际测试数据确定装备当前所处状态；最后，利用递归方程求得当前状态的剩余使用寿命，具体预测步骤如下：

1.建立全寿命HSMM

在多组观测样本中，按照设定的时间单元，选择最终状态模式相同且时间间隔相同的多组全寿命数据作为建模数据，并对选定的样本进行小波包降噪；提取小波包熵节点能量矩阵为特征向量序列，这些向量序列即为全寿命观测向量序列，可以作为全寿命HSMM的训练样本。

2.训练全寿命HSMM

在上步训练样本的基础上，利用HSMM故障预测训练算法训练一个全寿命HSMM_d(λ_d)，求得模型中状态转移矩阵{a_jj}和全寿命过程中各退化态驻留时间概率函数的均值μ(j)和方差σ²(j)。由式求得各退化态的驻留时间D(j)。

D(j)＝μ(j)+ρσ²(j)

其中，

3.预测剩余使用寿命

在确定D(j)的基础上，利用后向递推算法求得剩余使用寿命 (RUL-RemainingUseful Life)。假设部件当前处于退化态j，则RUL_j表示处于退化态j时部件的剩余使用寿命。

当部件处于状态N-1时：

RUL_N-1＝a_N-1,N-1[D(N-1)+RUL_N]+a_N-1,NRUL_N

当部件处于状态N-2时：

RUL_N-2＝a_N-2,N-2[D(N-2)+RUL_N-1]+a_N-2,N-1RUL_N-1

当部件处于状态N-3时：

RUL_N-3＝a_N-3,N-3[D(N-3)+RUL_N-2]+a_N-3,N-2RUL_N-2

……

当部件处于状态j时：

RUL_j＝a_j,j[D(j)+RUL_j+1]+a_j,j+1RUL_j+1

本发明的有益效果：

本发明将ε机引入HSMM，对采集数据符号化处理后，采用CSSR 算法对系统进行重构，得到因果态集合。根据ε机的马尔可夫性，可将因果态集合作为HSMM的状态集合，进而确定HSMM中的状态数N，状态转移矩阵A，避免了人为设定的不确定性。在用传统K-means聚类方法求取观测值概率矩阵B的基础上，结合粒子群算法对初始中心进行优化，提高了聚类效果和矩阵B的准确性。

利用SVM分类能力强的优势，构建HSMM-SVM故障预测模型，弥补HSMM类间刻画能力弱的缺点，提高退化态识别能力。运用ε机确定状态数N和状态转移矩阵A，改进K-means聚类方法选取观测值概率矩阵B初值，采用Baum-Welch算法进行参数估计。以小波包熵和 (3,6)节点能量矩作为特征向量进行HSMM-SVM退化态识别和故障预测。最后，以车液压泵轴承为研究对象，验证了运用HSMM-SVM模型开展装备故障预测的有效性。

附图说明

图1(a)-图1(d)为本发明背景技术中的常见HMM结构示意图；

图2为数据1*的因果态示意图；

图3为小波包熵变化趋势；

图4(a)-图4(e)为不同退化态能量矩分布图；

图5为(3,6)节点能量矩分布图；

图6(a)-图6(e)为不同退化态在各分类器中的似然概率对数值；

图7为改进K-means方法聚类结果；

图8为HSMM训练输出图；

图9为本发明的装备退化态识别与故障预测总体思路图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图9所示，滚动轴承是旋转机械的主要部件之一，以其效率高、装配方便、摩擦阻力小等优点，广泛运用于装备液压系统中。但液压系统工况复杂，故障频发，维修困难，给部队维修保障人员带来极大困扰。

因此，本发明以车液压系统为研究对象，选取定量径向柱塞式液压泵的滚动轴承内环故障数据进行实验分析。选用20个相同的轴承进行实验，选择2个通道进行数据采集，设定主轴转速为 1800r/min。通道1采样频率为12KHz，采样时间为3s。根据装备退化演变趋势，采样间隔时间可逐渐缩短。最开始采样间隔为2 小时，采集10组数据，调整采样间隔为1.5小时，采集10组数据；调整采样间隔为1小时，采集25组数据；调整采样间隔为0.5小时，采集30组数据；调整采样间隔为6分钟，采样15组数据。共90组数据。通道采样频率为1024Hz，采样时间为2秒，采样间隔为10分钟。20个轴承中，选取最终为内环故障的9个轴承采样数据作为全寿命试验数据，编号为1*-9*。将1*-6*作为训练样本， 7*-9*作为测试样本。

基于ε机的液压系统状态数识别

选取通道2采样的数据1*，选用Db4小基波，Rigrsure阈值进行小波包去燥得到有用信号，利用有用信号来进行因果态重构。由于ε机只能用于符号序列，所有首先要将信号进行符号化得到符号序列。根据前述分析结果，选用静态法对1*全寿命周期信号进行因果态分割重构的步骤如下：

a符号化:根据信号特征，用静态法对序列进行符号化处理，得到符号序列{s_i}。

b.因果态重构:按照CSSR算法初始化、齐次化、确定化的步骤，对符号序列{s_i}进行重构，计算得到因果态集合M，因果态数目为 N。其中，取最大历史长度L_max＝5，KS检验的最小置信水平，α＝0.01，结果如图2所示。

根据CSSR算法可知，将液压泵滚动轴承的退化过程划分为5 个退化态较为合理。状态转移概率矩阵为：

1.基于小波包熵的液压系统特征向量提取

选用Db4小波基，Rigrsure阈值，对所有样本进行3层小波包降噪处理。选取通道1采集的信号1*，将每组数据平均划分为5段，对采集的 90组数据，共450段数据进行小波包熵特征提取，可得其变化趋势，如图3所示，图中变化趋势与ε机所确定的状态数相吻合，即验证了ε机的有效性。通过对比分析可大致得出各状态与90速数据的对应关系，如下表1所示：

表1 各状态与观测数据对应关系

在各个状态中选取1组数据，分析其能量矩分布，如图4(a)-4(e) 所示。

对比分析各层能量矩数值变化，可以发现第3层第7个频带(即(3,6) 节点)能量矩在不同状态数值差异较大。分析450段数据(3,6)节点能量矩分布，其结果如图5所示。

可见，(3,6)节点能量矩值可以很好表征状态变化。因此，提取小波包熵和(3,6)节点能量矩作为特征向量。

液压系统的退化态识别

选取1*-6*作为训练样本，按照上表划分得到各状态训练数据。为方便模型训练，将每组数据等间距划分为20段，对每一段计算小波包熵和(3,6)节点能量矩，其值O₁(1)＝(W_EEj,E_3,6)即为一个二维特征向量。例如，1*第1组的特征向量为O₁＝[O₁(1),O₁(2),…O₁(20)]，由前20 组构成的序列O_正常＝[O₁,O₂,…O₂₀]即为正常态的训练样本集。具体模型训练过程如下：

a.确定模型初始参数

(1)初始状态概率分布π:结合观测数据特点，采用4状态无跨越左右型HSMM进行初始化，则

π＝[1 0 0 0]

(2)状态转移概率矩阵A：对于无跨越左右型HSMM，通常采用等概率方式产生，即：

(3)观测值概率矩阵B：

观测概率密度函数中，选取G＝3元混合高斯目睹函数描述，采用六维特征向量，运用改进的K-means聚类算法对初始值进行估计。

(4).状态驻留时间概率密度函数P_j(d)：

参照观测值概率矩阵B初始化方法，选用改进的K-means聚类方法对 P_j(d)＝N(d|μ_j,σ_j)进行初始化。首先对观测序列进行聚类，求出每个状态驻留的时间单元数，然后求出各个状态驻留时间的平均值和方差；最后，用所求值确定初始参数。

模型训练

设置模型训练最大迭代步数为30步，收敛误差为0.0001，对轴承内圈故障观测向量进行训练，根据训练可得到5个状态的分类器。悬链得状态转移概率矩阵为：

将训练样本输入已训练号的5个HSMM，每组训练样本可得到5个概率值，将5个概率值进行归一化处理后，作为特征向量输入SVM进行训练。在实验中，选用精度较高的径向基核函数，采取“一对一”策略构造SVM多分类器，共需个。

退化态识别

基于HSMM的退化态识别

在待测样本7*-9*中，每个状态选取10组观测向量序列作为测试样本对5状态分类器进行检验，待测样本7*结果如图6(a)-图6(e) 所示，图中曲线为测试样本在各分类器中输出的似然概率对数值。

7*-9*各状态分类识别结果如下表2-表4所示：

表2 7*各状态识别结果

表3 8*各状态识别结果

表4 9*各状态识别结果

(2)基于HSMM-SVM的退化态识别

将待测样本7*-9*输入HSMM_i(λ_i)后得到的概率值进行归一化处理后，输入已经训练号的SVM分类器，识别结果如下表5-表7所示：

表5 7*各状态识别结果

表6 8*各状态识别结果

表7 9*各状态识别结果

表8 两种模型识别率比较

综合上述表2-7识别结果，可得两种模型总体识别率，如表8所示，根据识别结果可知，对于装备某轴承内圈故障，HSMM-SVM的识别率明显优于单一的HSMM识别率，可以有效降低HSMM仅凭概率判断的误判率。

液压系统的故障预测

在故障预测中，需要对权寿命过程进行分析，为了便于验证，对获取的全寿命数据做如下处理：每隔10分钟选择一个观测值，缺失信号可在已采样信号中截取。对于1*-9*数据，可分别得到约T＝450组观测数据。运用特征提取方法对450组数据进行处理，可得到一个全寿命观测值向量序列O'₁＝[O₁(1),O₁(2),…O₁(450)]，各个观测值向量间的时间单元为10分钟。

模型初置及训练

由ε机分析可知，轴承内圈故障全寿命过程可分为5个状态，因此采用5状态左右型HSMM，即π＝[1 0 0 0 0]，状态转移概率矩阵可由ε机求得，观测值概率矩阵和状态驻留时间概率目的函数初值设置方法与前述内容确定模型初始参数中方法相同，聚类结果如图7所示。设置训练过程中迭代步数为100，收敛误差为0.0001，将特征向量输入 HSMM进行训练，迭代步数在50左右时，模型收敛，其输出结果如图 8所示，通过训练即可得到5状态的全寿命HSMM预测模型。

各状态驻留时间均值和方差如上表所示，根据下表9的结果，由式(4.24)可求得各状态驻留时间单元，其结果间表10。

表9 各个状态驻留时间均值及方差

表10 各个状态驻留时间单元

剩余寿命预测及验证

根据前述内容退化态识别结果，从7*中选取10组观测向量序列作为测试样本进行验证。其中，正常态抽取2组，退化态1抽取3组，退化态2抽取3组，退化态3抽取2组。根据后向递推算法，即上式计算各测试样本的剩余使用寿命，并计算剩余使用寿命均值、方差及预测区间。其预测结果如表11所示。根据表示结果可知，10组测试样本中，除退化态1、退化态2各有1组测试样本的预测结果与实际情况不符外，其余预测结果均在剩余使用寿命区间内，整体预测结果较为理想。

表11 HSMM-SVM模型预测结果

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.基于HSMM-SVM的装备故障预测方法，其特征在于，包括以下步骤：

一.检测对象特征的提取

步骤1、选择研究对象，并确定检测对象的适当通道数进行数据采集；

包括设定采样频率，采样时间，采样间隔时间，制作测试样本；

步骤2、针对步骤1中部分通道采集的测试样本数据，选用Db4小波基，Rigrsure阈值，进行小波包去噪得到有用信号，利用有用信号进行因果态重构；

步骤3.选用Db4小波基，Rigrsure阈值，对步骤1中所有样本进行小波包熵特征提取，得到其变化趋势，提取能很好表征状态变化的节点能量矩值和小波包熵作为特征向量；

二.将一步得到的数据用于训练模型

步骤1.ε机确定状态数

一中，步骤3得到的变化趋势与ε机所确定的状态数吻合；

步骤2.选取部分数据作为训练样本，运用HSMM训练算法对各退化态参数进行估计；

步骤3.选取全寿命训练样本，运用训练算法训练一个具有、所有健康状态的HSMM；

三.检测对象的退化态识别

(1)模型训练

a.设置模型训练最大迭代步数，收敛误差，得到状态分类器和状态转移概率矩阵；

b.输入待测样本，得到概率值，并进行归一化处理；

c.处理后的值作为特征向量输入SVM进行训练；

(2)退化态识别

a.在待测样本中，选取观测向量序列作为测试样本对状态分类器进行检验；

b.将待测样本输入HSMM_i(λ_i)后得到概率值进行归一化处理；

c.输入训练好的SVM分类器，得到两种模型总体识别率；

d.根据识别结果判定所处退化状态；

四.检测对象的故障预测

步骤1.对全寿命过程进行分析；

选择一个观测值，运用特征提取法对数据进行处理得到一个全寿命观测值向量序列；

步骤2.模型初置及训练

设置训练过程中的迭代步数，收敛误差，将特征向量输入HSMM进行训练，得到状态的全寿命HSMM预测模型；

步骤3.计算当前退化态的剩余使用寿命；

根据后向递推法，计算个测试样本的剩余使用寿命，并计算剩余寿命值、方差及预测区间；

步骤3.剩余寿命预测及验证

根据退化态识别结果，从步骤2中选择观测向量序列作为测试样本进行验证，计算剩余使用寿命均值、方差及预测区间。

2.根据权利要求1所述的基于HSMM-SVM的装备故障预测方法，其特征在于，步骤2并选用静态法对步骤1中采集部分的周期信号进行因果态分割重构，具体的步骤为：

S1.根据信号特征，用静态法对序列进行符号化处理，得到符号序列{si}；

S2.按照CSSR算法初始化、齐次化、确定化的步骤，对符号序列{s i}进行重构，计算得到因果态集合M，因果态数目为N。

3.根据权利要求1所述的基于HSMM-SVM的装备故障预测方法，其特征在于，二中，步骤2包括确定模型初始参数：

a.确定初始状态概率分布π；

结合观测数据特点，采用4状态无跨越左右型HSMM进行初始化；

b.确定状态转移概率矩阵A；

对于无跨越左右型HSMM，通常采用等概率方式产生；

c.确定观测值概率矩阵B；

观测概率密度函数中，选取G＝3元混合高斯密度函数描述，采用六维特征向量，运用改进的K-means聚类算法对初始值进行估计；

d.确定状态驻留时间概率密度函数P_j(d)；

参照观测值概率矩阵B初始化方法，选用改进的K-means聚类方法对P_j(d)＝N(d|μ_j,σ_j)进行初始化，首先对观测序列进行聚类，求出每个状态驻留的时间单元数；然后求出各个状态驻留时间的平均值和方差；最后，用所求值确定初始参数。