论文部分内容阅读
轴承是旋转机械设备中应用最为广泛的一种通用部件，其工作运行状态直接影响到整台机器的性能。论文在结合理论和实践的基础上，对基于隐马尔可夫模型(Hidden Markov Model，HMM)的轴承故障音频诊断方法进行了系统地研究，主要内容如下。(1)轴承音频信号包含其运行状态的重要信息，通过分析这些信息就能对轴承进行有效的故障诊断，而且音频信号能够非接触式采集，具有使用方便、成本低廉等优点。因此，论文以音频信号为研究对象，并根据Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficients，MFCC)分析着眼于人耳听觉特性的特点，首次对轴承音频信号进行MFCC特征参数提取。(2)根据离散HMM模型(Discrete Hidden Markov Model，DHMM)中的所有参数均为离散值的优点，论文提出了基于DHMM的轴承故障音频诊断新方法，具有建模简单、运算速度快和诊断精度高等特点。实验结果表明，平均训练时间为55.8秒，诊断时间为0.031秒，诊断精度为90％，取得了较好的效果。(3)由于采用连续高斯混合密度函数可以更合理地描述输出概率，论文提出了基于连续高斯混合密度HMM(Continuous GaussianMixture Hidden Markov Model，CGHMM)的轴承故障音频诊断新方法。同时，利用基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法对训练和诊断算法加以改进。实验结果表明，一般算法的平均训练时间为110.0秒，诊断时间为0.81秒，诊断精度为96.3％；本文改进算法的平均训练时间为10.941秒，诊断时间为0.028秒，诊断精度为97.5％。很明显，改进算法加快了训练和诊断速度，同时提高了诊断精度。(4)对DHMM和CGHMM方法的诊断实验结果进行了对比分析。DHMM算法在速度上优于一般的CGHMM算法，诊断精度却低于CGHMM算法。而使用本文的CGHMM改进算法，大大缩短了运算时间，平均训练时间还不到DHMM方法的四分之一，诊断时间也比DHMM方法少，诊断精度更是明显提高。(5)在Visual C＋＋7.0环境下，自主开发了基于HMM的轴承故障音频诊断平台，并在此平台上完成实验研究，验证论文方法的有效性，具有较好的应用推广价值。