基于非线性时序模型盲辨识的因子隐Markov模型识别方法.pdf

No．1 第43卷第1期 机械工程学报 voll43 2007年1月 Jan． 2007 JOURNAL0FMECHANICALENGINEER【NG CHINESE 基于非线性时序模型盲辨识的因子 隐Markov模型识别方法水 李志农1 郝伟1 韩捷1 褚福磊2吴昭同3 (1．郑州大学振动工程研究所郑州450002； 2．清华大学精密仪器与机械学系北京 100084； 3．浙江大学现代制造工程研究所杭州310027) 摘要：基于模型辨识的机械有效故障特征提取方法中输入信号难以确定，以及机械设备运行过程中具有信息量大、 非平稳、特征重复再现性差的特点，结合非线性时序模型盲辨识和因子隐Markov模型，提出一种基于非线性时 序模型盲辨识的特征提取的因子隐Markov模型识别方法，并应用到旋转机械升降速过程故障诊断中。同时还与 基于Fourier变换、小波变换的特征提取的因子隐Markov模型识别方法进行比较，试验结果表明该方法是有效的。 关键词：盲系统辨识因子隐Markov模型(FHMM)故障诊断非线性时间序列模式识别 TN911 中图分类号：THl7 知系统进行分析和处理。因此，将盲统辨识思想弓 O前言 入到机械故障诊断领域中，为上述问题的解决提供 了一种新的思路。 按对系统的输入输出信号的处理来分，其故障 hiddenMarkov 因子隐MarkoV模型(Factoml 诊断方法可分为两类：一类是基于信号检测与分析 的故障诊断方法；另一类是基于系统模型的故障诊 一个时间跨度上的信息进行统计建模和分类，特别 断方法。前者通常只考虑了系统的输出信号，简单 适合非平稳、重复再现性差的序列分析。在此，结 直观，对于输入稳定的系统来说也是非常有效的， 不足之处是该方法不能反映系统作为整体的传递特 非线性时序模型盲辨识的特征提取的FHMM状态 性，所以不可避免地存在局限性。例如，对某些系 识别法，并应用到旋转机械升降速过程故障诊断中。 统而言，输出信号的变化可能是因为输入信号的变 同时，将该方法与常用的特征提取(如FFT，小波变 化引起的，而其固有特性并没发生变化，此时根据 换)的FHMM状态识别法进行了对比分析。 输出信号的变化来进行故障诊断就会造成误判。而 后者不仅考虑了系统的输出，而且考虑了系统的输 1 非线性时序模型的盲辨识 入，通过检测系统的输入输出信号，利用某种方法 估计系统的输入输出映射关系，即固有的传递特性 相对线性时序模型的盲辨识，非线性时序模型 是否发生了变化，并由传递特性的变化来判别系统 盲辨识更有意义。目前，非线性时序模型盲辨识的 是否处于故障状态【l】。然而，在机械系统中，系统 研究取得了很大进展，主要有高阶统计量法、子空 的输入信号常常是不可观测的，在很多情况下也不 间法和最小子空间法。在非线性时序模型中，门限 允许人为地设计输入信号，即使允许设计输入信号， 自回归模型不仅能有效地描述具有极限点和极限环 实际输入信号与预期输入信号也存