[发明专利]基于离散隐马尔可夫模型的轴承故障检测方法和系统

说明书

本发明提供了一种基于离散隐马尔可夫模型的轴承故障检测方法和系统，所述方法包括以下步骤：建立离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对待检测轴承数据进行特征提取以得到待检测轴承不同故障类型的特征向量；确定离散隐马尔可夫模型的代码本以得到待检测轴承不同故障类型的观测序列；根据优化算法和待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型；根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测。本发明能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。

技术领域

本发明涉及故障检测技术领域，具体涉及一种基于离散隐马尔可夫模型的轴承故障检测方法和一种基于离散隐马尔可夫模型的轴承故障检测系统。

背景技术

机械设备和复杂机电系统的可靠性和安全性不仅对整个工业系统的高效运行起着至关重要的作用，而且对人身安全与环境保护也尤为关键。动态系统的故障侦测与诊断技术是提高系统的可靠性和降低事故风险的有效方法。随着HMM(Hidden Markov Model，隐马尔可夫模型)在各领域的成功应用以及工业界对可靠性和安全性的更高要求，HMM作为一种数据驱动的故障诊断方法受到越来越多关注。

目前，根据观测变量的表示方法HMM可分为离散HMM(离散隐马尔可夫模型)与连续HMM(连续隐马尔可夫模型)。但是，在DHMM的实际应用中有三个基本问题需要解决，即评估问题、解码问题以及学习问题，而学习问题是DHMM的三个基本问题中最难以未解决的问题。针对学习问题目前最广泛使用的是BW算法(Baum-Welch算法)和梯度算法，这两种算法虽然能给出DHMM参数的有效估计，但是，BW算法和梯度算法是局部优化方法，对初值有很强依赖性；此外，目前基于DHMM的故障诊断应用中，没有针对故障数据不足的实际情况。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于离散隐马尔可夫模型的轴承故障检测方法，能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。

本发明的第二个目的在于提出一种基于离散隐马尔可夫模型的轴承故障检测系统。

为达到上述目的，本发明第一方面实施例提出了一种基于离散隐马尔可夫模型的轴承故障检测方法，包括以下步骤：建立所述离散隐马尔可夫模型的优化算法；获取待检测轴承数据；对所述待检测轴承数据进行特征提取以得到所述待检测轴承不同故障类型的特征向量；确定所述离散隐马尔可夫模型的代码本以得到所述待检测轴承不同故障类型的观测序列；根据所述优化算法和所述待检测轴承不同故障类型的观测序列训练所述离散隐马尔可夫模型；根据所述待检测轴承不同故障类型的特征向量和训练后的所述离散隐马尔可夫模型对所述待检测轴承进行故障检测。

根据本发明实施例提出的基于离散隐马尔可夫模型的轴承故障检测方法，通过建立离散隐马尔可夫模型的优化算法，并对待检测轴承数据进行特征提取，以及确定离散隐马尔可夫模型的代码本，并根据述优化算法待检测轴承不同故障类型的观测序列训练离散隐马尔可夫模型，以根据待检测轴承不同故障类型的特征向量和训练后的离散隐马尔可夫模型对待检测轴承进行故障检测，由此，能够降低对初值的依赖性，并能够提高搜索能力，从而能够提高离散隐马尔可夫模型参数学习的精度，并且能够保证故障检测的精度。

另外，根据本发明上述实施例提出的基于离散隐马尔可夫模型的轴承故障检测方法还可以具有如下附加的技术特征：