摘要: 本发明涉及一种综合马尔科夫模型和概率网络的设备状态识别方法。该方法使用分层隐马尔科夫模型(HHMM)对设备进行状态识别,能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络(DBN),有效地降低模型的计算复杂度并缩短推理时间。将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别。
针对现有状态分类方法的局限性,本发明提出了基于K均值算法和交叉验证方法相结合的状态数优化方法。该方法能更精确地划分故障发展过程的阶段数目,为设备状态的精确识别打下基础。
本发明在功能故障之前即可检测到健康状态的改变,并且可以使用训练后的模型根据在当前行为中观察到的变化来进行设备的剩余寿命预测。
| 专利名称 | 综合马尔科夫模型和概率网络的设备状态识别方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | CN201710413015.4 |
| 申请号 | - | 专利申请日期 | 2017-06-05 |
| 专利授权日期 | 2017-10-20 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 茅大钧;黄佳林;徐童;黄一枫 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明涉及一种综合马尔科夫模型和概率网络的设备状态识别方法,使用分层隐马尔科夫模型对设备进行状态识别,能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络,有效地降低模型的计算复杂度并缩短推理时间,将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法,更精确的划分故障发展过程的阶段数目,为设备状态的精确识别打下基础。本发明在功能故障之前检测到健康状态的改变,而且可以使用训练后模型根据在当前行为中观察到的变化来进行设备的剩余寿命预测。 | ||