一、基于隐Markov模型的旋转机械故障诊断系统的研究（论文文献综述）
姚荣麟[1]（2021）在《基于状态监测数据的数控刀架健康状态评估研究》文中认为数控刀架作为数控机床的重要功能部件,其服役性能直接影响零件的加工精度和设备的使用可靠性,进而对整机的可用性产生影响。因此,对数控刀架在生产环境下的健康状态进行有效的评估,有助于开展故障预警和预防性维护,提高生产效率并降低故障率,对数控机床整机可靠性水平的提升至关重要。然而由于数控刀架结构复杂、工况多变、故障模式多样、故障样本数据稀少等原因,关于数控刀架的健康状态评估方法与应用尚不完善。针对数控刀架转位系统故障频发的特点,本文主要研究了数控刀架转位功能系统的健康状态评估方法与应用。通过开展数控刀架的FMECA分析确定了状态监测指标,并详细介绍了各指标的监测方法与实验方案。对实验过程中采集到的各性能指标进行特征提取、PCA主成分分析降维和AHP特征融合进而得到了有效的健康评估特征指标,并采用隐马尔科夫模型建立了数控刀架健康状态评估模型。最终开发了一套基于Spark Streaming流式处理引擎的健康状态实时监测与评估系统。该系统具有能够对状态监测数据进行实时采集和计算分析的特点,对健康评估方法在数控刀架工程领域的应用具有一定的借鉴价值。本文具体研究内容如下:1.对数控刀架的内部结构和工作原理进行深度剖析,并对某型号数控刀架的内部结构进行子系统的划分。将各子系统下的零部件进行细致分类,并对数控刀架的典型故障模式进行分析,探究造成不同故障模式的故障原因,判断各故障模式的严酷度ESR和可能性OPR,最终建立数控刀架的故障模式、影响及危害分析FMECA表。2.根据FMECA的分析结果,得到可能性OPR和严酷度ESR,进而计算得到综合判据风险优先数RPN。依据RPN值对数控刀架的故障模式进行降序排列,分析刀架功能系统中的高频故障模式和其对应故障原因,最终选择数控刀架在转位过程中的振动信号和电流信号两种连续信号作为评估其健康状态的性能指标。对某型号的数控刀架开展累积10万次的可靠性运转试验,并布置信号采集装置搭建基于Lab VIEW实时数据采集程序的状态监测平台,对数控刀架的转位信号数据进行采集。3.通过主成分分析法PCA对数控刀架X、Y、Z三个轴向的振动信号和U、V、W三个相位的电流信号进行降维处理,得到振动主成分和电流主成分。由层次分析法AHP对振动信号和电流信号划分影响权重,并根据该影响权重对振动信号和电流信号进行特征融合,最终得到数控刀架健康状态评估指标HI。4.将数控刀架的健康状态划分为健康、亚健康、正常、劣化和故障5个等级,并将这5个等级作为数控刀架的隐状态,应用隐马尔可夫模型对历史的状态监测数据进行模型训练和解析。根据概率结果判断出数控刀架当前所处的健康状态,得到历史时刻的健康状态概率变化趋势。5.应用实时计算引擎Spark Streaming,并搭载基于隐马尔科夫模型训练得到的数控刀架健康状态评估模型,对数控刀架运行过程中的监测数据进行实时计算评估,并将评估的概率结果和历史时刻健康状态的概率变化进行实时的可视化展示,最终建立数控刀架健康状态实时评估系统。
张雨琦[2]（2019）在《退化数据驱动的滚动轴承剩余寿命预测研究》文中研究指明滚动轴承作为机械设备中使用最广泛的基础零件,被人们称为机械的关节。机械设备能否正常运行、完成预定功能并达到预期寿命,在很大程度上取决于其基础部件的性能、可靠性和使用寿命。由于滚动轴承在高速、重载荷或恶劣环境中运转极易出现故障,并由此导致其实际寿命与预期寿命相比大大缩减。因此,对滚动轴承进行故障诊断和寿命预测对于有效实施机械设备的视情维修和健康管理具有重要的理论意义和工程实用价值。目前,滚动轴承故障诊断方法众多,但大多数信号分解方法存在分析同一轴承的多通道故障信号不全面的问题。而对于滚动轴承寿命预测的研究,也存在仅提取单一退化变量预测滚动轴承性能退化趋势时可靠性和误差精度较低的问题。在此基础上,本文针对滚动轴承的故障诊断和剩余寿命预测展开研究,主要研究工作如下:1.基于CEEMD与Lempel-Ziv复杂度的滚动轴承单一通道损伤程度评估。首先对滚动轴承某一通道的内、外圈故障信号进行CEEMD分解,通过峭度准则确定有效IMF分量并计算其Lempel-Ziv复杂度指标,根据此指标变化判断出此时滚动轴承所处损伤程度。2.基于MEMD和RVM的滚动轴承多通道故障评判。首先对滚动轴承多通道的外圈故障信号进行MEMD分解,利用相关分析法选取有效MIMF分量,对其提取互近似熵特征,最后利用RVM分类器对滚动轴承多通道外圈故障进行分析和评判。3.基于多退化变量灰色预测模型的滚动轴承剩余寿命预测。首先提取表征滚动轴承全寿命周期振动信号退化趋势的特征参数集,结合参数集与早期故障突变点完成滚动轴承故障初始发生文件的识别,并根据轴承寿命与特征参数之间的映射关系建立多退化变量灰色预测模型,计算出模型的辨识参数,最后利用多退化变量灰色预测模型预测出轴承的剩余寿命。本文针对机械设备中最易发生损坏的核心零部件滚动轴承的故障诊断及剩余寿命预测两大问题,从理论分析与工程应用验证相结合的角度研究了滚动轴承故障诊断及剩余寿命预测的三种方法,可实现预期研究目标,具有一定的工程实际意义。
刘茵[3]（2019）在《面向健康状态诊断的数控机床故障辨识方法研究》文中研究表明数控机床作为现代制造生产中的关键技术设备,以其高精密度、高效率的生产特性成为了现代工业之母。因机床故障而引起的停机事件给企业带来了巨大的经济损失,而数控机床机械部件由于诊断困难广泛采用定期维护与更换的维修制度,造成人力与物质资源的极大浪费,因此对数控机床的健康诊断和故障辨识方法研究具有十分重要的意义。本文以数控机床的常见故障部件伺服系统、滚动轴承和变速齿轮箱为研究对象,以现代机器学习理论及方法为基础,针对其故障机理、故障特征提取、故障模式分类以及健康状态评估等方面进行深入地研究,分别开展了基于贝叶斯网络的灰色关联区间三角模糊多属性伺服系统故障诊断方法、基于流形学习的变速箱故障特征提取方法和基于深度卷积神经网络的滚动轴承故障分类方法的研究,并搭建了面向健康状态诊断的数控机床故障辨识系统。论文的主要工作如下:（1）针对数控机床伺服系统故障信息属性权重未知的特点,通过对伺服系统机理分析,提出一种基于贝叶斯网络的灰色关联区间三角模糊多属性故障诊断方法。将主轴伺服系统各故障信息之间多属性层次结构利用贝叶斯网络建立了逻辑关系,为了获得各故障信息的权重值,在传统灰色关联分析理论的基础上,通过构建多目标优化模型,得到故障信息概率矩阵。提出区间三角数模糊多属性问题算法,利用其探明引起数控机床主轴伺服系统故障原因,求解参考序列和比较序列的灰色关联度,以获得区间数表述的灰色关联度并排序。通过仿真试验验证了所提方法的有效性,查找到引起主轴伺服系统故障的主要原因。（2）针对变速齿轮箱非线性耦合的故障特点,应用流形学习算法原理,提出一种应用于变速齿轮箱故障的监督拉普拉斯特征学习算法。该算法通过结合局部邻域信息和类别标签信息的一致性,有效地利用了高维非线性数据集中嵌入的内在几何结构;然后将该算法应用于数控机床变速箱的故障特征提取,提出一种基于流形学习的变速箱故障特征提取新方法。该方法通过直接学习数据提取高维故障数据中的本征流形特征,在很大程度上保留了嵌入在信号中的整体几何结构信息,并利用类别标签信息来指导训练数据的聚类,将复杂模态空间转化为低维特征空间,从而易于实现模式分类和故障诊断。同时进行了变速箱故障试验,对比传统的特征提取方法PCA、LDA以及LaplacianEigenmaps算法,新方法体现了更好的分类能力,明显提高了故障模式识别的分类性能,从而验证了所提方法的可行性和有效性。（3）以数控机床滚动轴承为诊断对象,针对轴承故障振动信号非线性、非平稳、样本大数据等特性,在深度学习理论的基础上,提出一种基于深度卷积神经网络的轴承故障分类方法。该方法通过利用深度卷积神经网络较强的特征学习能力,可从原始振动信号中提取有效特征,对滚动轴承的健康状态进行了模式分类。通过对试验样本集和数控机床滚动轴承故障的试验结果表明,该方法表现了较好的故障分类效果,被证明是一种有效的故障分类方法。（4）建立面向健康状态的数控机床故障辨识系统,搭建了数据采集试验平台,确定了各传感器的型号和各部件测点位置,系统采用cRIO数据采集控制器采集各研究对象的振动信号和噪声信号,利用Labview和Matlab混合编程技术,实现了数据采集、数据分析和时频特征提取,通过运用提出的故障辨识方法对机床主轴伺服系统、变速齿轮箱和滚动轴承的故障试验,诊断结果验证了所提出的系统模型是有效的。
姜娇娇[4]（2017）在《旋转机械的非线性故障检测》文中认为旋转机械运行状态的好坏,会直接影响系统的工作性能。本文对旋转机械的故障检测技术和方法进行研究,针对振动信号存在的非线性特性,研究了非线性评价指标;探讨了信号分解对降低非线性程度的影响,及降低非线性程度的方法;综合运用信号分解、时间序列建模、隐马尔科夫等理论,构建故障检测模型,对旋转机械故障做出精确判断,为确保旋转机械正常工作具有重要意义。主要研究内容如下:研究了振动信号的非线性特性,确定了嵌入维数、延迟时间两个重要参数。采用混沌与分形理论,对非线性评价指标进行研究,给出最大Lyapunov指数、柯尔莫哥洛夫熵、关联维数、盒维数计算方法。采用信号分解手段降低非线性程度,比较了信号经小波分解和集成经验模态分解后的非线性度强弱,提出二者结合的振动信号去噪方法。构建振动信号故障检测模型,采用时间序列建模的方法,精确提取能够表征故障的特征。振动信号经过集成经验模态分解后,计算混沌与分形的数值特征,根据非线性强弱评价指标,判断分解信号的非线性程度。针对分解后的线性分量,建立线性模型,提取线性模型参数;针对分解后的非线性分量,构建Volterra模型,提取Volterra模型参数。在深入研究非线性特征提取的基础上,探讨了HMM技术的实现方法,提出采用H MM模型进行故障识别。对旋转机械的轴承信号进行实验分析,将信号分解后提取的线性、非线性特征量输入到HMM模型中,对正常、内环故障、外环故障、滚动体故障这四种信号进行模式识别,实验结果表明该模型能够准确识别旋转机械故障,且识别率高。
李志农,柳宝,侯娟[5]（2016）在《基于无限隐Markov模型的旋转机械故障诊断方法研究》文中研究说明针对传统隐Markov模型（HMM）在机械故障诊断中存在的不足,即HMM过学习或溢出问题以及隐状态数需要事先假定,提出了基于无限隐马尔可夫模型（i HMM）的机械故障诊断方法。在提出的方法中,以谱峭度为特征提取,i HMM为识别器,并以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,得到了非常满意的识别效果。提出的方法能够有效避免了HMM在建模初期遗留下的不足,可以自适应确定模型中隐藏状态数和模型数学结构,因此,提出的方法明显优于HMM故障识别方法。
李志农,熊俊伟[6]（2016）在《基于无限因子隐Markov模型的旋转机械故障识别方法》文中进行了进一步梳理在机械故障识别方面,因子隐Markov模型是目前常用的识别工具。无限因子隐Markov模型（IFHMM）是因子隐Markov模型（FHMM）的一种扩展形式,克服了因子隐Markov模型链条数往往事先假定的缺点。本研究将无限因子隐Markov模型（IFHMM）运用到旋转机械的升降速过程故障的诊断当中,提出了使用IFHMM作为诊断工具的旋转机械故障诊断方法,并与基于因子隐Markov模型的旋转机械故障诊断方法进行了对比,最后将提出的方法成功地应用到旋转机械的故障中。实验结果表明,提出的方法明显优于FHMM识别方法。
柳宝[7]（2016）在《基于无限隐Markov模型的机械故障诊断方法研究》文中指出本论文是在国家自然科学基金（51261024,51075372,51265039,50775208）,江西省教育厅科技计划项目（No.GJJ12405）,机械传动国家重点实验室开放基金（No.SKLMT-KFKT-201514）和广东省数字信号与图像处理技术重点实验室开放课题（2014GDDSIPL-01）资助下展开研究。针对基于HMM故障诊断方法中的模型定义和估计过程存在着严重不足,将一种新的机器学习方法——无限隐Markov模型（iHMM）引用到机械故障诊断中,提出了基于iHMM的故障诊断新方法,并取得了一些创新性的成果。本论文主要研究内容如下:第一章,论述了本课题的提出及其展开研究的意义,并论述了传统隐Markov模型（HMM）的研究现状,特别是在机械故障诊断领域研究现状。详细论述了iHMM的国内外研究现状。在此基础上,提出了本论文的主要研究内容、结构安排和创新之处。第二章,论述了传统隐Markov模型的理论及其存在的不足,并在此基础之上,阐明了无限隐Markov模型的理论及算法。在iHMM中,首先,从Dirichlet过程进行状态间转移概率的计算推导。然后,使用分层Dirichlet过程进行隐状态状态机制和生成机制的推理。其次,对模型超越参数的推理、优化和似然估计。还通过仿真实例对iHMM推理算法进行了验证,仿真结果表明iHMM具有很好的状态数目发掘能力,能够准确的反映状态序列的结构特征。最后,从概率统计的观点出发,说明了iHMM在机械故障诊断中所发挥的作用。第三章,结合谱峭度和iHMM的各自特性,提出了一种基于谱峭度和iHMM的旋转机械故障诊断的新方法。在提出的方法中,谱峭度用于故障特征提取,iHMM用作识别器,利用谱峭度提取的故障特征输入到iHMM中进行故障识别,其中,以最大似然估计来确定设备运转中出现的故障类型。同时,将提出的方法与传统的HMM进行故障识别方法进行了对比分析。实验结果表明,提出的方法是有效的,能有效地区分不同的故障类型。提出的方法明显优于传统的HMM故障识别方法,克服了传统的HMM故障识别方法存在的不足。第四章,论述了基于Beam抽样（Beam sampling）的iHMM理论及算法,并将该算法应用到滚动轴承退化趋势预测中,并结合小波熵,提出了一种基于小波熵和Beam抽样iHMM的滚动轴承退化趋势预测的新方法。在提出的方法中,利用小波熵提取故障特征,输入到iHMM中进行退化趋势预测。仿真结果验证了利用小波熵用作评价性能退化评价指标的有效性。同时,提出的方法与传统的HMM进行退化趋势预测方法进行了对比分析。研究结果表明,提出的方法明显优于HMM性能退化预测方法,并通过相对误差指标充分反映出来。第五章,相对完整数据下的预测,缺失数据下的预测更困难,也是更有意义。本章详细论述了缺失数据下利用iHMM进行滚动轴承退化趋势预测的可行性,在此基础上,提出了一种缺失数据下的基于iHMM滚动轴承退化趋势预测,给出了缺失数据下iHMM预测模型建立及其预测方法。提出的方法能够较好的对前期的缺失数据进行预处理,使用预处理的得到的特征值进行预测模型的训练,再使用得到的预测模型进行滚动轴承退化趋势的预测,提出的方法还与完整数据下的iHMM预测结果进行了对比,研究结果表明,提出的方法在在部分监控数据缺失的情况下,该方法仍能较好的对滚动轴承的退化趋势进行预测。第六章,对本论文的研究工作内容进行了全面的总结,并对有必要进行进一步开展研究的工作进行了展望。
熊俊伟[8]（2016）在《基于无限因子隐Markov模型的机械故障诊断方法与研究》文中进行了进一步梳理本论文是在国家自然科学基金（51261024,51075372,51265039,50775208）,江西省教育厅科技计划项目（No.GJJ12405）,机械传动国家重点实验室开放基金（No.SKLMT-KFKT-201514）和广东省数字信号与图像处理技术重点实验室开放课题（2014GDDSIPL-01）资助下展开研究。基于无限因子隐Markov模型（iFHMM）的独特优势,将i FHMM引入到机械故障诊断中,提出了基于iFHMM的机械故障诊断方法,并进行了仿真和实验验证,取得了比较好的创新性成果。本论文的主要研究内容如下:第1章:论述了本课题的提出及意义,因子隐Markov模型的国内外研究现状和无限因子隐Markov模型的研究现状。在此基础上,给出了本文的主要研究内容与创新之处。第2章:论述了因子隐Markov模型的基本原理与基本算法,指出了因子隐Markov模型所存在的不足与缺陷。以此为基础,论述了iFHMM的理论及推导算法。鉴于iFHMM的结构,采用一个二元矩阵进行结构的搭建与建模,引进了印度餐馆过程（IBP）与截棍构造模型（Stick-Breaking）,以此为基础对iFHMM进行建模,重点论述了iFHMM的理论算法及其推导过程。第3章:将无限因子隐Markov模型引入到旋转机械升降速过程的故障诊断中,提出了基于因子隐Markov模型的旋转机械故障诊断方法,在提出的方法中,利用FFT提取各种典型的转子故障的1/2、1,2,3,4,5倍频作为特征向量输入到各个状态iFHMM来进行训练,得到每个模型产生该序列的概率,其中概率最大的状态就代表了当前机组的运行状态。同时,提出的方法与传统的基于因子隐Markov模型的机械故障诊断方法进行了比较,并成功地应用到旋转机械的故障中,实验结果表明,iFHMM识别方法和FHMM识别方法都得到了很好的识别效果,然而,在iFHMM识别方法中,隐式Markov链条数设定为无穷大,可以通过求极限确定合适的隐式Markov链条数,克服了在FHMM识别方法中盲目选择隐式Markov链条数的不足。第4章:结合独立成分分析（ICA）和iFHMM的各自特点,提出了基于ICA-iFHMM的旋转机械故障诊断方法,在提出的方法中,利用ICA基残余互信息（RMI）作为特征提取,消除了多通道之间的信息冗余,iFHMM作为识别器。将提出的方法应用于旋转机械故障诊断中。同时,与基于ICA-FHMM的旋转机械故障诊断方法进行对比研究,实验结果表明,两种方法都取得了满意的识别效果,然而,ICA-FHMM识别效果与隐式Markov链条数的选择有很大关系,如何合理选择,缺乏依据,往往是采用人为试凑方法来选择。而提出的方法可以自适应地确定隐式Markov链条数,克服了FHMM中存在的不足。第5章:针对iFHMM中的模型参数估计的EM算法只能进行局部寻优,这样,容易造成EM算法在早期过早地收敛于局部极值的不足,在此,利用粒子群算法（PSO）具有全局寻优的特点,提出了PSO-iFHMM模型。在此基础上,将提出的模型应用到滚动轴承性能退化研究中,并以基本尺度熵为特征,构造PSO-iFHMM预测模型。同时,与FHMM预测模型、iFHMM预测模型进行对比研究。实验证明,三种预测模型方法都取得良好的预测效果。然而,FHMM预测模型、iFHMM预测模型存在过学习或欠学习问题,容易陷入局部极小。而在提出的PSO-iFHMM预测模型中,引入粒子群优化算法,大大加强了它的寻优能力,达到全局寻优。第六章,对本论文的研究工作内容进行了全面的总结,并对有必要进行进一步开展研究的工作进行了展望。
张菲[9]（2016）在《基于LMD和HSMM的旋转机械故障诊断方法研究》文中提出随着科学技术的不断提高,旋转机械工作强度不断增大,为保证设备系统能够安全、可靠、高效地运行,避免造成巨大的经济损失和重大事故的发生,以旋转机械为研究对象,进行状态监测和故障诊断研究,具有非常重要而现实的意义。针对传统的时频分析方法（如短时傅立叶变换、小波与小波包变换）存在时间和频率的分辨率互相牵制、信号分解缺乏自适应性的不足,和传统的模式识别方法（如人工神经网络）局限于静态模式识别上的问题,本文引入最新的时频分析方法局部均值分解（Local Mean Decomposition, LMD）和发展较快的动态模式识别方法隐半马尔科夫模型（Hidden Semi-Markov Model, HSMM）。LMD能够基于信号本身,自适应地将一个多分量信号分解成一系列单分量的乘积函数（Product Function, PF）之和,每个乘积函数由一个纯调频函数和一个包络函数相乘而得,将所有乘积函数的瞬时频率和幅值相组合,便能够完整地呈现出原始信号的时频分布。HSMM基于时间跨度上的动态信息进行建模分类,非常适用于分析一些信息量较大、非平稳、特征重复再现性较差的信号,且具有训练样本少、训练速度快、分类识别能力强的特点。因此,本文利用LMD和HSMM相结合的方法对旋转机械进行状态监测与故障诊断。首先,本文论述了旋转机械故障诊断技术的发展概况,介绍了LMD方法相关概念、基本理论和算法,并将其与EMD （Empirical Mode Decomposition, EMD）方法进行对比,通过仿真分析验证了LMD处理非平稳信号的优越性。在此基础上,提出了一种基于小波包降噪与LMD分解相结合的特征提取方法,先采用小波包降低噪声的影响,再进行LMD分解,并对分解得到的PF分量进行相关性分析,选取有效PF分量进行时、频域特征参数提取。通过仿真分析和对实际信号的处理,验证了该方法的有效性。然后,本文研究了基于HSMM的机械设备状态监测与故障诊断方法,并针对基本算法中存在的部分问题进行了改进。提出了基于LMD和HSMM相结合的旋转机械状态监测与故障诊断方法,并将其成功应用于滚动轴承故障诊断中。实验结果表明,HSMM模型训练速度快,识别精度高,利用LMD和HSMM相结合的方法能够有效地识别出滚动轴承的运行状态,且能够保证故障诊断的实时性和准确性。最后,本文进一步采用LMD和HSMM相结合的方法对机械密封端面膜厚状态进行模式识别,识别效果较为理想,验证了该方法应用于旋转机械状态监测与故障诊断的有效性和适用性。为了验证HSMM模型用于状态监测与故障诊断的优势,本文又利用同样的信号特征,将HSMM模型和应用广泛的BP神经网络的识别效果进行了对比分析,分析结果表明,HSMM训练速度比BP神经网络更快,且识别精度更高,将HSMM应用于旋转机械的状态监测与故障诊断中更具优势,具有更广泛的应用前景。
王征录[10]（2014）在《AIS-HMM混合模型在机械故障诊断中的应用研究》文中指出随着工业化进程的加快,机械的运用已经很普遍,机械的结构也更加复杂。而机械作为企业生产中的关键设备,一旦发生故障,将会给企业带来经济损失、甚至更加严重的后果。由于机械在企业中的关键作用,机械故障诊断技术已成为各国的研究热点之一。传统的诊断技术有噪声监测、油液监测、无损探伤、振动监测和性能趋势分析等。智能技术在故障诊断中也有广泛应用,如人工神经网络、模糊逻辑、遗传算法等。这些诊断技术在机械故障的诊断中发挥了巨大的作用。但是单一诊断技术的诊断能力较弱、准确性较差。随着机械故障的复杂程度不断变大,故障信号互相重叠,多种故障同时出现,故障的不确定性等给故障诊断带来了非常大的困难。针对这些问题,本论文提出了一种新的解决思路,即将人工免疫系统（Artificial Immune System,AIS）和隐马尔可夫模型（Hidden Markov Models,HMM）进行混合,并应用到机械故障诊断系统中。在该混合模型中,充分利用了AIS和HMM的互补性。对于运行比较平稳的机械系统,其积累信息非常有限、故障的样本不多,通过AIS来进行在线监测,能够有效的识别机械设备的工作状态,提高诊断方法的在线性能。对于非平稳的机械系统,根据HMM强大的模式分类能力,在对故障进行识别和训练的时候,从同类训练样本集中获取HMM的参数,每一种HMM都有一种模式与之对应,在需要学习一种新的模式的时候,简单地修改相应的HMM的类别,不需要更改其它的HMM,可以有效的提高诊断系统的效率。该混合模型通过两者的互补性来提高故障诊断的正确性和对复杂情况的学习适应能力,以便更加及时的发现故障。本文中建立了双层的混合模式,即HMM层和混合层。HMM层的主要功能是应用了HMM强大的对时间序列进行建模的能力,将故障样本依据HMM的对应算法来训练,然后得到故障状态的似然率。混合层的主要功能是对HMM层得出的结果来进行修改纠正,即首先采用AIS的克隆选择算法来对抗体进行进化,然后通过HMM的Baum-Welch算法对抗体再次进行进化。在该混合模型中把HMM作为识别的主体,在模型的亲和力里面使用识别率,为HMM的样本训练起到了导向的作用,将随机搜寻和迭代加速收敛进行了融合,对抗体抗原的结构和亲和力进行了扩充。
二、基于隐Markov模型的旋转机械故障诊断系统的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于隐Markov模型的旋转机械故障诊断系统的研究（论文提纲范文）
（1）基于状态监测数据的数控刀架健康状态评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及课题来源 |
| 1.1.1 论文研究背景 |
| 1.1.2 课题来源 |
| 1.2 论文研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数控刀架可靠性国内外研究现状 |
| 1.3.2 机械装备PHM和健康评估国内外研究现状 |
| 1.3.3 工业大数据应用的国内外研究现状 |
| 1.4 论文主要研究内容与研究路线 |
| 第2章 数控刀架故障模式分析 |
| 2.1 数控刀架介绍 |
| 2.2 数控刀架的结构和工作原理 |
| 2.3 数控刀架的子系统划分和FMECA分析 |
| 2.3.1 数控刀架的子系统划分 |
| 2.3.2 数控刀架FMECA分析 |
| 2.4 本章小结 |
| 第3章 数控刀架性能指标检测分析 |
| 3.1 数控刀架健康评估特征量选取 |
| 3.2 数控刀架性能指标试验原理 |
| 3.2.1 数控刀架转位试验方案 |
| 3.2.2 转位振动试验原理 |
| 3.2.3 转位电流试验原理 |
| 3.3 数控刀架性能指标特征提取 |
| 3.4 数控刀架性能指标采集分析 |
| 3.4.1 数控刀架振动信号采集分析 |
| 3.4.2 数控刀架电流信号采集分析 |
| 3.5 本章小结 |
| 第4章 数控刀架健康状态评估 |
| 4.1 健康状态评估指标特征工程 |
| 4.1.1 健康状态评估指标特征标准化 |
| 4.1.2 健康状态评估指标特征降维 |
| 4.2 健康状态评估指标特征融合 |
| 4.2.1 多性能指标融合方法 |
| 4.2.2 数控刀架多性能指标融合 |
| 4.3 基于隐马尔可夫模型的数控刀架健康状态评估方法 |
| 4.3.1 数控刀架健康状态等级划分 |
| 4.3.2 隐马尔可夫模型理论分析 |
| 4.4 数控刀架健康状态评估模型建立 |
| 4.5 本章小结 |
| 第5章 数控刀架健康状态实时评估系统 |
| 5.1 数据实时处理框架介绍 |
| 5.1.1 大数据处理框架介绍 |
| 5.1.2 实时处理框架Spark介绍 |
| 5.2 数控刀架状态监测数据采集系统 |
| 5.3 数控刀架健康状态实时评估系统建立 |
| 5.3.1 开发环境搭建安装 |
| 5.3.2 Spark Streaming实时计算程序设计 |
| 5.3.3 数控刀架健康状态实时评估系统 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（2）退化数据驱动的滚动轴承剩余寿命预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外滚动轴承故障诊断及寿命预测研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 寿命预测研究现状 |
| 1.3 特征提取及模式识别方法概述 |
| 1.3.1 特征提取方法概述 |
| 1.3.1.1 基于时、频域参数的特征提取法 |
| 1.3.1.2 其他特征提取法 |
| 1.3.2 模式识别方法概述 |
| 1.3.2.1 人工神经网络 |
| 1.3.2.2 BP神经网络 |
| 1.3.2.3 支持向量机 |
| 1.4 寿命预测方法概述 |
| 1.4.1 支持向量回归模型 |
| 1.4.2 隐Markov模型 |
| 1.4.3 其他故障预测模型 |
| 1.5 当前研究中存在的不足 |
| 1.6 论文主要研究内容和章节安排 |
| 第二章 滚动轴承失效机理及退化状态分析 |
| 2.1 滚动轴承的结构及故障成因 |
| 2.1.1 滚动轴承基本结构 |
| 2.1.2 滚动轴承失效形式分析 |
| 2.1.3 滚动轴承振动机理与缺陷特征频率分析 |
| 2.2 滚动轴承退化状态分析 |
| 2.3 实验数据来源 |
| 2.3.1 Case Western Reserve University实验平台 |
| 2.3.2 University of Cincinnati实验平台 |
| 2.4 本章小结 |
| 第三章 基于CEEMD与 Lempel-Ziv复杂度的滚动轴承单一通道损伤程度评估 |
| 3.1 补充总体平均经验模态分解理论 |
| 3.1.1 经验模态分解 |
| 3.1.2 补充总体平均经验模态分解 |
| 3.2 峭度准则 |
| 3.3 Lempel-Ziv复杂度理论 |
| 3.4 基于CEEMD与 Lempel-Ziv复杂度的滚动轴承单一通道损伤程度评估流程 |
| 3.5 实验结果分析 |
| 3.5.1 信号预处理 |
| 3.5.2 特征提取 |
| 3.5.3 损伤程度评估 |
| 3.6 本章小结 |
| 第四章 基于MEMD和 RVM的滚动轴承多通道故障评判 |
| 4.1 多元经验模态分解理论 |
| 4.2 相关系数准则 |
| 4.3 熵值法理论 |
| 4.3.1 信息熵原理 |
| 4.3.2 互近似熵原理 |
| 4.4 相关向量机理论 |
| 4.5 基于MEMD和 RVM的滚动轴承多通道故障评判流程 |
| 4.6 实验结果分析 |
| 4.6.1 信号预处理 |
| 4.6.2 特征提取 |
| 4.6.3 故障分类评判 |
| 4.7 本章小结 |
| 第五章 基于多退化变量灰色预测模型的滚动轴承剩余寿命预测 |
| 5.1 灰色预测模型理论 |
| 5.1.1 灰色系统理论 |
| 5.1.2 MGM(1,n)建模过程 |
| 5.2 CUSUM算法理论 |
| 5.3 退化性能指标提取 |
| 5.3.1 时域特征指标 |
| 5.3.2 频域特征指标 |
| 5.3.3 退化状态特征指标选取 |
| 5.4 基于多退化变量灰色预测模型的滚动轴承剩余寿命预测流程 |
| 5.5 实验结果分析 |
| 5.5.1 早期故障文件判断 |
| 5.5.2 剩余寿命时刻点选取 |
| 5.5.3 常用模型预测精度对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间取得成果 |
| 附录B 攻读硕士期间参与的科研项目 |
（3）面向健康状态诊断的数控机床故障辨识方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、意义及目的 |
| 1.2 数控机床故障诊断国内外研究现状 |
| 1.2.1 伺服系统故障诊断国内外研究现状 |
| 1.2.2 变速齿轮箱故障诊断国内外研究 |
| 1.2.3 滚动轴承故障诊断国内外研究现状 |
| 1.3 健康状态诊断评估国内外研究现状 |
| 1.4 本文研究内容和技术路线 |
| 1.5 本章小结 |
| 2 故障信息权重未知的主轴伺服系统故障诊断方法研究 |
| 2.1 引言 |
| 2.2 伺服系统故障机理分析 |
| 2.3 基于贝叶斯网络的灰色系统关联分析法 |
| 2.3.1 贝叶斯网络 |
| 2.3.2 灰色系统理论 |
| 2.4 基于灰色关联法修正的区间三角模糊多属性方法 |
| 2.5 基于区间三角模糊多属性灰色关联决策方法的主轴伺服系统故障分析 |
| 2.6 本章小节 |
| 3 基于流形学习的变速箱故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 变速齿轮箱故障机理分析 |
| 3.2.1 齿轮箱动力学分析 |
| 3.2.2 齿轮振动原理分析 |
| 3.3 流形学习 |
| 3.4 监督拉普拉斯特征学习算法 |
| 3.5 基于监督拉普拉斯特征学习的变速箱故障特征提取方法 |
| 3.6 故障特征提取试验分析 |
| 3.6.1 IRIS样本集 |
| 3.6.2 转子试验台模拟数据 |
| 3.6.3 机床变速箱数据 |
| 3.7 本章小结 |
| 4 基于深度卷积神经网络的滚动轴承故障分类方法研究 |
| 4.1 引言 |
| 4.2 滚动轴承故障机理分析 |
| 4.2.1 滚动轴承动力学分析 |
| 4.2.2 滚动轴承振动分析 |
| 4.3 深度学习 |
| 4.4 深度卷积神经网络 |
| 4.4.1 深度卷积神经网络结构 |
| 4.4.2 卷积层 |
| 4.4.3 池化层 |
| 4.4.4 全连接层 |
| 4.5 基于深度卷积神经网络的轴承故障分类方法 |
| 4.6 滚动轴承故障诊断实例 |
| 4.7 本章小结 |
| 5 数控机床健康状态诊断与故障辨识系统试验 |
| 5.1 引言 |
| 5.2 数控机床健康状态诊断与故障辨识系统构建 |
| 5.3 试验方案设计 |
| 5.3.1 传感器选择 |
| 5.3.2 I/O模块选择 |
| 5.3.3 数据采集平台选择 |
| 5.4 数控机床主轴伺服系统故障试验 |
| 5.5 数控机床变速箱故障试验 |
| 5.6 数控机床滚动轴承故障试验 |
| 5.7 数控机床健康诊断与故障辨识系统 |
| 5.7.1 系统设置模块 |
| 5.7.2 数据采集分析模块 |
| 5.7.3 健康分析模块 |
| 5.7.4 故障辨识模块 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要成果 |
（4）旋转机械的非线性故障检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号去噪的国内外研究现状 |
| 1.2.2 非线性特征提取的国内外研究现状 |
| 1.2.3 故障诊断的国内外研究现状 |
| 1.3 主要工作 |
| 1.3.1 主要研究内容 |
| 1.3.2 文章结构安排 |
| 第二章 振动信号的非线性分析 |
| 2.1 相空间重构 |
| 2.1.1 延迟时间的确定 |
| 2.1.2 嵌入维数的确定 |
| 2.2 振动信号的混沌特性分析 |
| 2.2.1 Lyapunov指数的计算 |
| 2.2.2 Kolmogorov熵的计算 |
| 2.3 振动信号的分形特性分析 |
| 2.3.1 关联维数的计算 |
| 2.3.2 盒维数的计算 |
| 2.4 非线性度强弱的评价 |
| 2.5 本章小结 |
| 第三章 振动信号的非线性分解与分析 |
| 3.1 基于小波的信号分解与分析 |
| 3.1.1 基于小波的信号分解 |
| 3.1.2 基于小波的信号去噪 |
| 3.2 基于EEMD的信号分解与分析 |
| 3.2.1 基于EEMD的信号分解 |
| 3.2.2 基于EEMD-WD的信号去噪 |
| 3.3 小波和EEMD-WD分解后的非线性程度分析 |
| 3.4 本章小结 |
| 第四章 基于非线性振动信号故障检测模型的特征提取 |
| 4.1 非线性振动信号故障检测模型 |
| 4.2 基于EEMD-WD分解后的线性模型特征提取 |
| 4.2.1 线性自回归模型 |
| 4.2.2 线性自回归模型参数求解 |
| 4.3 基于EEMD-WD分解后的非线性Volterra模型特征提取 |
| 4.3.1 非线性Volterra模型 |
| 4.3.2 Volterra模型参数求解方法 |
| 4.3.3 IMF分量的Volterra模型辨识特征提取 |
| 4.4 基于EEMD-WD分解的特征提取 |
| 4.5 本章小结 |
| 第五章 基于隐Markov模型的故障识别 |
| 5.1 HMM的基本概念与算法 |
| 5.1.1 初始化模型参数? |
| 5.1.2 HMM模型的训练 |
| 5.2 基于EEMD-WD的隐Markov模型的故障诊断 |
| 5.3 本章小结 |
| 第六章 总结和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（5）基于无限隐Markov模型的旋转机械故障诊断方法研究（论文提纲范文）
| 1 引言 |
| 2 i HMM理论和算法 |
| 3 故障诊断模型的建立 |
| 4 实验研究 |
| 5 结论 |
（6）基于无限因子隐Markov模型的旋转机械故障识别方法（论文提纲范文）
| 0 引言 |
| 1 IFHMM的基本概念和算法 |
| 2 基于IFHMM的旋转机械故障诊断方法 |
| 3 实验研究 |
| 4 结论 |
（7）基于无限隐Markov模型的机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的提出及其研究意义 |
| 1.2 隐Markov模型的研究现状 |
| 1.3 隐Markov模型在机械故障诊断中的研究现状 |
| 1.4 无限隐Markov模型的国内外研究现状 |
| 1.5 论文的主要内容与创新之处 |
| 1.5.1 论文的主要内容 |
| 1.5.2 关键问题及创新点 |
| 1.6 本章小结 |
| 第2章 无限隐Markov模型理论与算法 |
| 2.1 引言 |
| 2.2 隐Markov模型理论及其存在的不足 |
| 2.2.1 隐Markov模型的理论基础 |
| 2.2.2 隐Markov模型的三个基本问题 |
| 2.2.3 隐Markov模型的三个基本问题的求解 |
| 2.2.4 隐Markov模型存在的不足 |
| 2.3 无限隐Markov模型理论 |
| 2.3.1Dirichlet过程计算状态间转移概率 |
| 2.3.2 分层Dirichlet过程(HDP)推理隐状态转移机制 |
| 2.3.3 分层Dirichlet过程(HDP)推理生成机制 |
| 2.3.4 超越参数的推理、优化和似然估计 |
| 2.4 仿真实例 |
| 2.5 iHMM在故障诊断中的作用 |
| 2.6 本章小结 |
| 第3章 基于iHMM的旋转机械故障诊断方法研究 |
| 3.1 引言 |
| 3.2 谱峭度特征提取 |
| 3.3 故障诊断模型的建立 |
| 3.4 实验研究 |
| 3.5 本章小结 |
| 第4章 基于无限隐Markov模型的滚动轴承退化趋势预测 |
| 4.1 引言 |
| 4.2 滚动轴承信号退化特征信号提取 |
| 4.2.1 小波变换 |
| 4.2.2 信息熵 |
| 4.2.3 小波熵 |
| 4.3 基于Beam sampling的iHMM理论和算法 |
| 4.4 特征提取仿真研究 |
| 4.5 预测模型建立 |
| 4.6 实验研究 |
| 4.7 本章小结 |
| 第5章 缺失数据下的基于iHMM滚动轴承退化趋势预测 |
| 5.1 引言 |
| 5.2 缺失数据下iHMM预测方法选择 |
| 5.3 缺失数据下iHMM预测模型建立 |
| 5.4 实验研究 |
| 5.4.1 缺失数据处理 |
| 5.4.2 退化趋势预测 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参加科研情况 |
| 致谢 |
（8）基于无限因子隐Markov模型的机械故障诊断方法与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的提出及其意义 |
| 1.2 因子隐Markov模型的研究现状 |
| 1.3 无限因子隐Markov模型的研究 |
| 1.4 论文的主要研究内容与创新之处 |
| 1.4.1 论文的主要内容 |
| 1.4.2 论文的创新之处 |
| 1.5 本章小结 |
| 第2章 无限因子隐Markov模型理论与算法 |
| 2.1 引言 |
| 2.2 因子隐Markov模型理论和算法 |
| 2.2.1 FHMM的基本原理 |
| 2.2.2 FHMM的基本算法 |
| 2.2.3 FHMM存在的不足与需要克服的问题 |
| 2.3 iFHMM的基本概念与算法 |
| 2.3.1 iFHMM的模型构造 |
| 2.3.2 利用IBP与截棍构造模型对iFHMM进行参数修正与改进 |
| 2.4 本章小节 |
| 第3章 基于iFHMM的旋转机械故障识别方法研究 |
| 3.1 引言 |
| 3.2 FFT-iFHMM识别方法 |
| 3.3 实验研究 |
| 3.4 本章小结 |
| 第4章 基于ICA-iFHMM的故障识别方法研究 |
| 4.1 引言 |
| 4.2 基于ICA的特征提取 |
| 4.3 ICA-iFHMM识别方法 |
| 4.4 实验研究 |
| 4.5 本章小结 |
| 第5章 基于粒子群优化的iFHMM的滚动轴承性能退化预测方法研究 |
| 5.1 引言 |
| 5.2 粒子群优化算法 |
| 5.3 PSO-iFHMM算法 |
| 5.4 基本尺度熵特征提取 |
| 5.5 预测模型建立 |
| 5.6 实验研究 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参加科研情况 |
| 致谢 |
（9）基于LMD和HSMM的旋转机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 旋转机械故障诊断技术概况 |
| 1.2.1 旋转机械故障诊断的实现 |
| 1.2.2 旋转机械故障诊断方法 |
| 1.2.3 特征提取分析 |
| 1.2.4 模式识别分析 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容及总体结构 |
| 1.4.1 主要研究内容 |
| 1.4.2 具体内容安排 |
| 第2章 LMD的基本理论与算法 |
| 2.1 LMD相关基本概念 |
| 2.1.1 信号的频率和瞬时频率 |
| 2.1.2 单分量信号和多分量信号 |
| 2.1.3 调幅信号和调频信号 |
| 2.2 LMD分解原理和算法 |
| 2.2.1 局部均值函数和包络估计函数 |
| 2.2.2 LMD分解具体算法 |
| 2.3 LMD与EMD方法比较 |
| 2.3.1 EMD方法简介 |
| 2.3.2 LMD和EMD理论对比 |
| 2.3.3 仿真信号分析 |
| 2.4 本章小结 |
| 第3章 基于小波包降噪与LMD分解的信号特征提取 |
| 3.1 信号零均值化 |
| 3.2 小波包降噪 |
| 3.2.1 小波分析基本原理 |
| 3.2.2 小波包分析基本原理 |
| 3.2.3 小波包降噪过程及性能分析 |
| 3.3 小波包降噪与LMD分解相结合的分析方法 |
| 3.3.1 噪声对LMD分解性能的影响 |
| 3.3.2 小波包降噪与LMD分解相结合性能分析 |
| 3.4 基于小波包降噪与LMD分解的特征参数提取 |
| 3.4.1 实际信号小波包降噪及LMD分解 |
| 3.4.2 伪PF分量的判定与剔除 |
| 3.4.3 特征参数提取 |
| 3.5 本章小结 |
| 第4章 HSMM基本理论及其在状态识别中的应用 |
| 4.1 HSMM理论基础 |
| 4.1.1 MARKOV模型 |
| 4.1.2 隐MARKOV模型 |
| 4.2 HSMM基本理论与算法 |
| 4.2.1 HSMM的定义 |
| 4.2.2 HSMM的算法 |
| 4.3 HSMM算法实现中的部分问题与改进 |
| 4.3.1 初始模型参数的选择 |
| 4.3.2 多组观测序列的训练 |
| 4.4 基于HSMM的故障诊断与状态识别方法 |
| 4.5 本章小结 |
| 第5章 基于LMD和HSMM的滚动轴承故障诊断 |
| 5.1 滚动轴承故障诊断实验系统 |
| 5.1.1 实验对象 |
| 5.1.2 实验装置和系统 |
| 5.2 实验验证 |
| 5.2.1 滚动轴承振动信号特征提取 |
| 5.2.2 HSMM模型建立与训练 |
| 5.2.3 HSMM故障诊断结果 |
| 5.3 本章小结 |
| 第6章 基于LMD和HSMM的机械密封状态监测 |
| 6.1 机械密封状态监测实验系统 |
| 6.1.1 实验装置及监测方案 |
| 6.1.2 实验信号观察与分析 |
| 6.2 实验验证 |
| 6.2.1 机械密封声发射信号特征提取 |
| 6.2.2 HSMM模型建立与训练 |
| 6.2.3 HSMM状态识别结果 |
| 6.3 HSMM和神经网络方法的对比 |
| 6.4 本章小结 |
| 结论和展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士研究生期间发表的论文 |
（10）AIS-HMM混合模型在机械故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 机械故障诊断系统的研究现状及可行性分析 |
| 1.2.1 机械故障诊断系统的研究现状 |
| 1.2.2 基于HMM模型的机械故障诊断系统的可行性分析 |
| 1.2.3 基于AIS模型的机械故障诊断系统的可行性分析 |
| 1.2.4 基于AIS-HMM混合模型的机械故障诊断系统的可行性分析 |
| 1.3 本文的创新点及主要内容 |
| 1.3.1 论文的创新点 |
| 1.3.2 论文的主要内容 |
| 第2章 机械故障诊断系统的基本原理及应用情况 |
| 2.1 机械故障诊断基本的原理及故障特征参量 |
| 2.1.1 机械故障诊断原理与方法 |
| 2.1.2 故障特征参量 |
| 2.2 机械故障诊断系统的应用情况 |
| 2.2.1 传统机械故障诊断系统的应用情况 |
| 2.2.2 HMM在机械故障诊断系统中的应用情况 |
| 2.2.3 AIS在机械故障诊断系统中的应用情况 |
| 第3章 AIS与HMM的基本理论及应用 |
| 3.1 AIS的基本理论及应用 |
| 3.1.1 免疫系统的基本原理 |
| 3.1.2 AIS的网络模型 |
| 3.1.3 AIS的常用算法 |
| 3.1.4 AIS的应用及优缺点 |
| 3.2 隐马尔可夫模型的基本理论及应用 |
| 3.2.1 马尔可夫过程 |
| 3.2.2 隐马尔可夫模型 |
| 3.2.3 HMM的三个基本问题 |
| 3.2.4 HMM的训练算法 |
| 3.3 2D-HMM模型及其训练算法 |
| 3.3.1 2D-HMM模型的拓扑结构 |
| 3.3.2 2D-HMM模型的主要参数 |
| 3.3.3 2D-HMM模型的主要算法 |
| 3.4 HMM的应用及优缺点 |
| 3.5 本章小结 |
| 第4章 AIS-HMM混合模型机械故障诊断系统 |
| 4.1 AIS-HMM混合模型的结构及原理 |
| 4.1.1 AIS-HMM混合模型的结构 |
| 4.1.2 AIS-HMM混合模型的训练过程 |
| 4.1.3 AIS-HMM混合模型的识别算法 |
| 4.1.4 系统技术架构设计 |
| 4.2 模拟实验整体设计 |
| 4.3 AIS-HMM混合模型故障诊断系统在实验中的部分界面 |
| 4.3.1 软件部分的实现流程 |
| 4.3.2 数据采集界面 |
| 4.3.3 诊断系统信号的分析和信号特征的提取界面 |
| 4.3.4 诊断系统的AIS进化界面 |
| 4.3.5 诊断系统的AIS-HMM训练界面及识别界面 |
| 4.4 实验的结果和对结果的分析 |
| 4.5 混合模型与HMM及AIS相对比的优缺点 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、基于隐Markov模型的旋转机械故障诊断系统的研究（论文参考文献）
- [1]基于状态监测数据的数控刀架健康状态评估研究[D]. 姚荣麟. 吉林大学, 2021(01)
- [2]退化数据驱动的滚动轴承剩余寿命预测研究[D]. 张雨琦. 昆明理工大学, 2019(04)
- [3]面向健康状态诊断的数控机床故障辨识方法研究[D]. 刘茵. 山东农业大学, 2019(01)
- [4]旋转机械的非线性故障检测[D]. 姜娇娇. 天津理工大学, 2017(10)
- [5]基于无限隐Markov模型的旋转机械故障诊断方法研究[J]. 李志农,柳宝,侯娟. 仪器仪表学报, 2016(10)
- [6]基于无限因子隐Markov模型的旋转机械故障识别方法[J]. 李志农,熊俊伟. 失效分析与预防, 2016(03)
- [7]基于无限隐Markov模型的机械故障诊断方法研究[D]. 柳宝. 南昌航空大学, 2016(01)
- [8]基于无限因子隐Markov模型的机械故障诊断方法与研究[D]. 熊俊伟. 南昌航空大学, 2016(01)
- [9]基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲. 西南交通大学, 2016(11)
- [10]AIS-HMM混合模型在机械故障诊断中的应用研究[D]. 王征录. 湖南大学, 2014(03)