现代制造工程
現代製造工程
현대제조공정
MODERN MANUFACTURING ENGINEERING
2013年
12期
111-115
,共5页
故障诊断%隐马尔科夫模型%主元分析%小波包分解%滚动轴承
故障診斷%隱馬爾科伕模型%主元分析%小波包分解%滾動軸承
고장진단%은마이과부모형%주원분석%소파포분해%곤동축승
fault diagnosis%Hidden Markov Model (HMM)%Principal Component Analysis (PCA)%wavelet packet decomposition%rolling bearing
针对神经网络模型需求训练样本量大以及大部分神经网络处理的是静态模式识别的问题,提出一种具有良好分类能力的动态模式识别方法——连续混合高斯概率密度隐马尔科夫模型(CGHMM).以滚动轴承为研究对象,首先通过小波包分解方法提取振动信号的特征参数,然后利用主元分析(Principal Component Analysis,PCA)对提取的特征参数进行优化降维,实现对模型输入数据的简化,进而利用简化的特征值矩阵分别训练各个状态的CGHMM,最后利用训练好的CGHMM进行滚动轴承的状态监测与故障诊断.实验结果表明,该方法不仅可以智能识别滚动轴承状态,而且所需样本数较少,训练速度快,对实现滚动轴承智能化在线状态监测与故障诊断具有重要意义.
針對神經網絡模型需求訓練樣本量大以及大部分神經網絡處理的是靜態模式識彆的問題,提齣一種具有良好分類能力的動態模式識彆方法——連續混閤高斯概率密度隱馬爾科伕模型(CGHMM).以滾動軸承為研究對象,首先通過小波包分解方法提取振動信號的特徵參數,然後利用主元分析(Principal Component Analysis,PCA)對提取的特徵參數進行優化降維,實現對模型輸入數據的簡化,進而利用簡化的特徵值矩陣分彆訓練各箇狀態的CGHMM,最後利用訓練好的CGHMM進行滾動軸承的狀態鑑測與故障診斷.實驗結果錶明,該方法不僅可以智能識彆滾動軸承狀態,而且所需樣本數較少,訓練速度快,對實現滾動軸承智能化在線狀態鑑測與故障診斷具有重要意義.
침대신경망락모형수구훈련양본량대이급대부분신경망락처리적시정태모식식별적문제,제출일충구유량호분류능력적동태모식식별방법——련속혼합고사개솔밀도은마이과부모형(CGHMM).이곤동축승위연구대상,수선통과소파포분해방법제취진동신호적특정삼수,연후이용주원분석(Principal Component Analysis,PCA)대제취적특정삼수진행우화강유,실현대모형수입수거적간화,진이이용간화적특정치구진분별훈련각개상태적CGHMM,최후이용훈련호적CGHMM진행곤동축승적상태감측여고장진단.실험결과표명,해방법불부가이지능식별곤동축승상태,이차소수양본수교소,훈련속도쾌,대실현곤동축승지능화재선상태감측여고장진단구유중요의의.
