CN115639799A - 基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 - Google Patents
基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 Download PDFInfo
- Publication number
- CN115639799A CN115639799A CN202211158125.8A CN202211158125A CN115639799A CN 115639799 A CN115639799 A CN 115639799A CN 202211158125 A CN202211158125 A CN 202211158125A CN 115639799 A CN115639799 A CN 115639799A
- Authority
- CN
- China
- Prior art keywords
- data
- hmm
- hydraulic system
- fault
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Heating, Cooling, Or Curing Plastics Or The Like In General (AREA)
Abstract
本发明提供一种基于改进BP‑HMM混合模型的轮胎硫化机液压系统故障诊断方法,涉及轮胎硫化机液压系统故障诊断技术领域。本发明中根据数据集,构建BP‑AdaBoost子模型,获取各液压元件的故障状态;将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将故障状态作为观测状态,生成观测状态序列,采用遗传算法构建TC‑HMM子模型;将实时参数指标输入训练好的改进BP‑HMM混合模型中,获取当前的故障诊断结果。发挥BP神经网络结构简单,对大数据量输入具有较好的处理能力和泛化能力,以及HMM模型具有较好的统计学特性和对时序数据较强的建模能力;大大提升故障诊断的速度和准确度,增强了模型的故障诊断能力和误差逼近能力,提高了轮胎液压硫化机的液态系统故障诊断的效率。
Description
技术领域
本发明涉及轮胎硫化机液压系统故障诊断技术领域,具体涉及一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备。
背景技术
随着汽车工业和轮胎工业的不断发展,对轮胎的均匀性提出了越来越高的要求,也对硫化机的工作精度提出了越来越高的要求,因此现在世界上主要轮胎公司已逐步采用液压式硫化机来代替传统的机械式硫化机。其中,如何实现轮胎硫化机液压系统的故障诊断成了人们重点关注的问题。
当今已提出如下研究:利用Adaboost-BP神经网络的故障诊断方法,涉及构造多分类算法;或者利用基于隐马尔科夫模型(HMM)改进支持向量机(SVM)的改进液压系统故障诊断模型,有利于少量样本的条件下得到更加精确的故障诊断结果,基于串联HMM-SVM模型以及基于并联HMM-SVM模型在液压系统故障诊断中的准确率比都要比单独运用HMM模型或SVM模型对液压系统故障诊断率要高。
然而,由于轮胎硫化机液压系统包括众多液压元件(例如液压泵、阀门、蓄能器、冷却器等),上述技术方案均无法同时准确定位故障类型原因及其故障状态,影响诊断准确度。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了涉及一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备,解决了诊断准确度有待提高的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该方法包括:
S1、收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
S2、根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
S3、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
S4、将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
优选的,所述S1中的历史数据包括历史参数指标数据和历史故障状态数据;所述历史参数指标数据至少包括压力数据、电机功率数据、体积流量数据、温度数据、振动信号数据、效率因子数据、虚拟冷却效率数据、虚拟冷却功率。
优选的,所述S2具体包括:
S21、数据选择和网络初始化,
从数据集中随机选择N组训练数据,初始化所选择的训练数据的分布权重Dm(i)=1/N;根据样本输入输出维度确定BP神经网络结构权值和阈值;
S22、弱分类器预测,
训练第m个弱分类器时,采用训练数据训练BP神经网络并且预测训练数据输出,获取第m个弱分类器预测序列的预测误差和em,
其中,Gm(xi)表示第m个弱分类器的预测分类结果,yi表示第m个弱分类器的期望分类结果;
I(Gm(xi)≠yi):当Gm(xi)与yi相等时,函数取值为0;当Gm(xi)与yi不相等时,取值为1;
S23、计算第m个弱分类器预测序列的权重∝m,
S24、根据权重∝m调整下一轮训练样本的权重Dm+1(i),
其中,Zm表示归一化因子;
S25、若em小于设定阈值,或者达到最大的迭代次数,循环结束;
S26、经过M轮迭代运算后,得到M个弱分类器函数Gm(x),按照相应的组合构建最终的强分类器G(x),并获取相应液压元件的故障状态,
其中,sign表示sign函数。
优选的,所述S3具体包括:
S31、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,所述隐状态序列S表示为:
S=(s1,…,sr,…,sR)
其中,sr表示隐藏状态,r=1,…,R;R表示隐藏序列长度;
将所述故障状态作为观测状态,生成观测状态序列,所述观测状态序列O表示为:
O=(o1,…,or,…,oR)
其中,or表示观测状态;
S32、初始化模型参数λ=(A,B,Π),
其中,A表示隐藏状态转移矩阵,A=(aij),aij表示从隐藏状态qi转移到隐藏状态qj的概率;
B表示观测状态概率矩阵,B=(bj(or)),aij表示隐藏状态为qj且观测状态为概率or的概率;
Π=(πi),πi表示初始隐藏状态为qi的初始概率分布;
S33、采用鲍姆-韦尔奇算法进行EM迭代,直到TC-HMM子模型参数A、B和Π收敛为止;
在E步,首先计算联合分布P(O,S|λ),
P(O,S|λ)=πi1bi1(oi1)πi2bi2(oi2)…πiTbiT(oiT)
其中,λ为当前的模型参数;
得到期望表达式:
优选的,故障状态的类别包括正常、轻微故障、严重故障、完全失控;故障类型原因的类别至少包括液压泵、阀门、蓄能器和冷却器四类液压元件出现的球头松动、配流盘松动、泄露、轴承损伤、滑阀卡滞、运动件磨损。
一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断系统,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该系统包括:
预处理模块,用于收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
第一构建模块,用于根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
第二构建模块,用于将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
诊断模块,用于将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
一种存储介质,其存储有用于基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断的计算机程序,其中,所述计算机程序使得计算机执行如上所述的轮胎硫化机液压系统故障诊断方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的轮胎硫化机液压系统故障诊断方法。
(三)有益效果
本发明提供了一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明中,改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,根据数据集,构建BP-AdaBoost子模型,获取各液压元件的故障状态;将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。发挥BP神经网络结构简单,对大数据量输入具有较好的处理能力和泛化能力,以及HMM模型具有较好的统计学特性和对时序数据较强的建模能力;大大提升故障诊断的速度和准确度,增强了模型的故障诊断能力和误差逼近能力,提高了轮胎液压硫化机的液态系统故障诊断的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例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。
本申请实施例通过提供一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备,解决了诊断准确度有待提高的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
轮胎硫化机液压系统故障多而复杂,要想更快速更有效更高精度地对设备进行故障诊断,必须根据大量的液压系统内部数据,通过对硫化设备相应的故障现象和参数指标构建相应的模型进行快速的识别与提取。
具体而言,本发明实施例中,改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,根据数据集,构建BP-AdaBoost子模型,获取各液压元件的故障状态;将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。发挥BP神经网络结构简单,对大数据量输入具有较好的处理能力和泛化能力,以及HMM模型具有较好的统计学特性和对时序数据较强的建模能力;大大提升故障诊断的速度和准确度,增强了模型的故障诊断能力和误差逼近能力,提高了轮胎液压硫化机的液态系统故障诊断的效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
如图1所示,本发明实施例提供了一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该方法包括:
S1、收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
S2、根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
S3、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成故障状态序列,采用遗传算法构建所述TC-HMM子模型;
S4、将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
本发明实施例发挥BP神经网络结构简单,对大数据量输入具有较好的处理能力和泛化能力,以及HMM模型具有较好的统计学特性和对时序数据较强的建模能力;大大提升故障诊断的速度和准确度,增强了模型的故障诊断能力和误差逼近能力,提高了轮胎液压硫化机的液态系统故障诊断的效率。
接下来将详细介绍上述技术方案的各个步骤:
首先需要说明的是,本发明实施例示例性的设定:故障状态的类别包括正常、轻微故障、严重故障、完全失控;故障类型原因的类别至少包括液压泵、阀门、蓄能器和冷却器四类液压元件出现的球头松动、配流盘松动、泄露、轴承损伤、滑阀卡滞、运动件磨损等。
在步骤S1中,收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集。
所述历史数据包括历史参数指标数据和历史故障状态数据;所述历史参数指标数据至少包括压力数据、电机功率数据、体积流量数据、温度数据、振动信号数据、效率因子数据、虚拟冷却效率数据、虚拟冷却功率等。
将历史数据按照上述数据类型进行分类和标记,然后进行数据标准化,形成数据集。
在步骤S2中,根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;具体包括:
S21、数据选择和网络初始化,
从数据集中随机选择N组训练数据,初始化所选择的训练数据的分布权重Dm(i)=1/N;根据样本输入输出维度确定BP神经网络结构权值和阈值;
S22、弱分类器预测,
训练第m个弱分类器时,采用训练数据训练BP神经网络并且预测训练数据输出,获取第m个弱分类器预测序列的预测误差和em,
其中,Gm(xi)表示第m个弱分类器的预测分类结果,yi表示第m个弱分类器的期望分类结果;
I(Gm(xi)≠yi):当Gm(xi)与yi相等时,函数取值为0;当Gm(xi)与yi不相等时,取值为1;
S23、计算第m个弱分类器预测序列的权重∝m,
显然em≤1/2时,∝m≥0,且∝m随着em的减小而增大,意味着分类误差率越小的基本分类器在最终分类器中的作用越大;
S24、根据权重∝m调整下一轮训练样本的权重Dm+1(i),
其中,Zm表示归一化因子,使得在权重比例不变时权值总和保持为1;
S25、若em小于设定阈值(例如取0.5时),或者达到最大的迭代次数,循环结束;
S26、经过M轮迭代运算后,得到M个弱分类器函数Gm(x),按照相应的组合构建最终的强分类器G(x),并获取相应液压元件的故障状态,
其中,sign表示sign函数。
在步骤S3中,将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
传统HMM模型在t时刻的隐藏状态向t+1时刻的隐藏状态转移的概率,仅仅与t时刻的隐藏状态有关;在t刻时输出观测值的概率,只取决于当前时刻t所处的隐藏状态而与以前的历史无关,根据实际数据分析可知这显然并不符合大多数实际情况,因此本发明实施例选用时域上相关的隐马尔可夫模型(TC-HMM)。
对应的,所述S3具体包括:
S31、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,所述隐状态序列S表示为:
S=(s1,…,sr,…,sR)
其中,sr表示隐藏状态,r=1,…,R;R表示隐藏序列长度;
将所述故障状态序列作为观测状态,生成观测状态序列,所述观测状态序列O表示为:
O=(o1,…,or,…,oR)
其中,or表示观测状态;
S32、初始化模型参数λ=(A,B,Π),
其中,A表示隐藏状态转移矩阵,A=(aij),aij表示从隐藏状态qi转移到隐藏状态qj的概率;
B表示观测状态概率矩阵,B=(bj(or)),aij表示隐藏状态为qj且观测状态为概率or的概率;
Π=(πi),πi表示初始隐藏状态为qi的初始概率分布;
S33、采用鲍姆-韦尔奇算法进行EM迭代,直到TC-HMM子模型参数A、B和Π收敛为止;
在E步,首先计算联合分布P(O,S|λ),
P(O,S|λ)=πi1bi1(oi1)πi2bi2(oi2)…πiTbiT(oiT)
其中,λ为当前的模型参数;
得到期望表达式:
为了计算每个个体的适应函数值,评判个体的优劣,可引入刻画个体违反约束程度的量Viol(s)以评估适应度:
其中M1、M2为极大正数。
在步骤S4中,将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
通过遗传算法利用上述公式训练TC-HMM的参数,确定最优解使得则最终可以构造出基于硫化机液压系统的四类液压元件的故障原因的诊断模型;一旦有新的故障现象,则调用相应的TC-HMM模型计算,根据状态转移矩阵得知故障的各原因概率,即作为故障类型原因的识别结论。
本发明实施例提供了一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断系统,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该系统包括:
预处理模块,用于收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
第一构建模块,用于根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
第二构建模块,用于将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
诊断模块,用于将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
本发明实施例提供了一种存储介质,其存储有用于基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断的计算机程序,其中,所述计算机程序使得计算机执行如上所述的轮胎硫化机液压系统故障诊断方法。
本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的轮胎硫化机液压系统故障诊断方法。
可理解的是,本发明实施例提供的基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断系统、存储介质和电子设备与本发明实施例提供的基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断系统方法相对应,其有关内容的解释、举例和有益效果等部分可以参考轮胎硫化机液压系统故障诊断系统方法中的相应部分,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例构建基于改进后的HMM与BP-Adaboost神经网络混合模型的故障诊断模型,充分发挥HMM模型在动态时间序列处理和故障状态识别上优势和神经网络模型强大的分类学习能力,以实现更精确诊断对数据集进行相应的训练和实验,快速形成故障诊断体系,它不仅可以对产生的故障的原因进行查找、对故障进行定位,还可自主学习,不断完善故障诊断的知识库,从而使故障诊断越来越准确快速,从而保障设备的正常运转,减少经济损失,排除安全隐患,对轮胎生产的安全、高效、智能具有重要意义。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (8)
1.一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法,其特征在于,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该方法包括:
S1、收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
S2、根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
S3、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
S4、将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
2.如权利要求1所述的轮胎硫化机液压系统故障诊断方法,其特征在于,所述S1中的历史数据包括历史参数指标数据和历史故障状态数据;所述历史参数指标数据至少包括压力数据、电机功率数据、体积流量数据、温度数据、振动信号数据、效率因子数据、虚拟冷却效率数据、虚拟冷却功率。
3.如权利要求1所述的轮胎硫化机液压系统故障诊断方法,其特征在于,所述S2具体包括:
S21、数据选择和网络初始化,
从数据集中随机选择N组训练数据,初始化所选择的训练数据的分布权重Dm(i)=1/N;根据样本输入输出维度确定BP神经网络结构权值和阈值;
S22、弱分类器预测,
训练第m个弱分类器时,采用训练数据训练BP神经网络并且预测训练数据输出,获取第m个弱分类器预测序列的预测误差和em,
其中,Gm(xi)表示第m个弱分类器的预测分类结果,yi表示第m个弱分类器的期望分类结果;
I(Gm(xi)≠yi):当Gm(xi)与yi相等时,函数取值为0;当Gm(xi)与yi不相等时,取值为1;
S23、计算第m个弱分类器预测序列的权重∝m,
S24、根据权重∝m调整下一轮训练样本的权重Dm+1(i),
其中,Zm表示归一化因子;
S25、若em小于设定阈值,或者达到最大的迭代次数,循环结束;
S26、经过M轮迭代运算后,得到M个弱分类器函数Gm(x),按照相应的组合构建最终的强分类器G(x),并获取相应液压元件的故障状态,
其中,sign表示sign函数。
4.如权利要求3所述的轮胎硫化机液压系统故障诊断方法,其特征在于,所述S3具体包括:
S31、将不同故障类型原因作为隐藏状态,生成隐藏状态序列,所述隐状态序列S表示为:
S=(s1,…,sr,…,sR)
其中,sr表示隐藏状态,r=1,…,R;R表示隐藏序列长度;
将所述故障状态作为观测状态,生成观测状态序列,所述观测状态序列O表示为:
O=(o1,…,or,…,oR)
其中,or表示观测状态;
S32、初始化模型参数λ=(A,B,Π),
其中,A表示隐藏状态转移矩阵,A=(aij),aij表示从隐藏状态qi转移到隐藏状态qj的概率;
B表示观测状态概率矩阵,B=(bj(or)),aij表示隐藏状态为qj且观测状态为概率or的概率;
Π=(πi),πi表示初始隐藏状态为qi的初始概率分布;
S33、采用鲍姆-韦尔奇算法进行EM迭代,直到TC-HMM子模型参数A、B和Π收敛为止;
在E步,首先计算联合分布P(O,S|λ),
P(O,S|λ)=πi1bi1(oi1)πi2bi2(oi2)…πiTbiT(oiT)
其中,λ为当前的模型参数;
得到期望表达式:
5.如权利要求1~4任一项所述的轮胎硫化机液压系统故障诊断方法,其特征在于,故障状态的类别包括正常、轻微故障、严重故障、完全失控;故障类型原因的类别至少包括液压泵、阀门、蓄能器和冷却器四类液压元件出现的球头松动、配流盘松动、泄露、轴承损伤、滑阀卡滞、运动件磨损。
6.一种基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断系统,其特征在于,所述改进BP-HMM混合模型包括BP-AdaBoost子模型和TC-HMM子模型,该系统包括:
预处理模块,用于收集并预处理轮胎硫化机液压系统的历史数据,并形成包括若干训练样本的数据集;
第一构建模块,用于根据所述数据集,构建所述BP-AdaBoost子模型,获取各液压元件的故障状态;
第二构建模块,用于将不同故障类型原因作为隐藏状态,生成隐藏状态序列,将所述故障状态作为观测状态,生成观测状态序列,采用遗传算法构建所述TC-HMM子模型;
诊断模块,用于将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP-HMM混合模型中,获取轮胎硫化机液压系统当前的故障诊断结果。
7.一种存储介质,其特征在于,其存储有用于基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~5任一项所述的轮胎硫化机液压系统故障诊断方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~5任一项所述的轮胎硫化机液压系统故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158125.8A CN115639799A (zh) | 2022-09-22 | 2022-09-22 | 基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158125.8A CN115639799A (zh) | 2022-09-22 | 2022-09-22 | 基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115639799A true CN115639799A (zh) | 2023-01-24 |
Family
ID=84941024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158125.8A Pending CN115639799A (zh) | 2022-09-22 | 2022-09-22 | 基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595677A (zh) * | 2023-05-26 | 2023-08-15 | 燕山大学 | 用于分析流体阀门卡滞特性的方法 |
-
2022
- 2022-09-22 CN CN202211158125.8A patent/CN115639799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595677A (zh) * | 2023-05-26 | 2023-08-15 | 燕山大学 | 用于分析流体阀门卡滞特性的方法 |
CN116595677B (zh) * | 2023-05-26 | 2024-03-01 | 燕山大学 | 用于分析流体阀门卡滞特性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Remaining useful life prediction of turbofan engine using hybrid model based on autoencoder and bidirectional long short-term memory | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN115639799A (zh) | 基于改进bp-hmm混合模型的轮胎硫化机液压系统故障诊断方法 | |
CN113449463A (zh) | 一种基于lstm-dnn的设备寿命预测方法及装置 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
Petrucci et al. | From real to virtual sensors, an artificial intelligence approach for the industrial phase of end-of-line quality control of GDI pumps | |
CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
CN113989838A (zh) | 行人重识别模型训练方法、识别方法、系统、装置及介质 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN114372618A (zh) | 一种学生成绩的预测方法、系统、计算机设备及存储介质 | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN115204463A (zh) | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
Bai et al. | Manufacturing quality prediction based on two-step feature learning approach | |
CN111026661A (zh) | 一种软件易用性全面测试方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |