AIS-、HMM混合模型在機械故障診斷中的應用研究.pdf

1、隨著工業(yè)化進程的加快，機械的運用已經(jīng)很普遍，機械的結構也更加復雜。而機械作為企業(yè)生產(chǎn)中的關鍵設備，一旦發(fā)生故障，將會給企業(yè)帶來經(jīng)濟損失、甚至更加嚴重的后果。由于機械在企業(yè)中的關鍵作用，機械故障診斷技術已成為各國的研究熱點之一。傳統(tǒng)的診斷技術有噪聲監(jiān)測、油液監(jiān)測、無損探傷、振動監(jiān)測和性能趨勢分析等。智能技術在故障診斷中也有廣泛應用，如人工神經(jīng)網(wǎng)絡、模糊邏輯、遺傳算法等。這些診斷技術在機械故障的診斷中發(fā)揮了巨大的作用。但是單一診斷技術的診斷

2、能力較弱、準確性較差。隨著機械故障的復雜程度不斷變大，故障信號互相重疊，多種故障同時出現(xiàn)，故障的不確定性等給故障診斷帶來了非常大的困難。針對這些問題，本論文提出了一種新的解決思路，即將人工免疫系統(tǒng)(Artificial Immune System， AIS)和隱馬爾可夫模型(Hidden MarkovModels，HMM)進行混合，并應用到機械故障診斷系統(tǒng)中。
　　在該混合模型中，充分利用了AIS和HMM的互補性。對于運行比較平穩(wěn)

3、的機械系統(tǒng)，其積累信息非常有限、故障的樣本不多，通過AIS來進行在線監(jiān)測，能夠有效的識別機械設備的工作狀態(tài)，提高診斷方法的在線性能。對于非平穩(wěn)的機械系統(tǒng)，根據(jù)HMM強大的模式分類能力，在對故障進行識別和訓練的時候，從同類訓練樣本集中獲取HMM的參數(shù)，每一種HMM都有一種模式與之對應，在需要學習一種新的模式的時候，簡單地修改相應的HMM的類別，不需要更改其它的HMM，可以有效的提高診斷系統(tǒng)的效率。該混合模型通過兩者的互補性來提高故障診斷的

4、正確性和對復雜情況的學習適應能力，以便更加及時的發(fā)現(xiàn)故障。
　　本文中建立了雙層的混合模式，即HMM層和混合層。HMM層的主要功能是應用了HMM強大的對時間序列進行建模的能力，將故障樣本依據(jù)HMM的對應算法來訓練，然后得到故障狀態(tài)的似然率。混合層的主要功能是對HMM層得出的結果來進行修改糾正，即首先采用AIS的克隆選擇算法來對抗體進行進化，然后通過HMM的Baum-Welch算法對抗體再次進行進化。在該混合模型中把HMM作為識別的