HMM在旋转机械故障诊断中的动态模式识别应用

"这篇博士学位论文由冯长建撰写，专业为机械制造及其自动化，导师为吴昭同和丁启全，研究主题聚焦于HMM动态模式识别理论及其在旋转机械故障诊断中的应用。" HMM（隐马尔科夫模型）是一种统计建模工具，常用于处理序列数据，如语音识别、自然语言处理等领域。在旋转机械故障诊断中，HMM的动态模式识别能力尤其重要，因为机械设备的运行状态通常表现为一种时间序列模式，这些模式可能随时间变化或因故障发生而改变。 论文的第一章概述了旋转机械振动监测和诊断的背景，包括多变量动态模式识别的理论发展和当前研究状况。作者在此基础上确定了研究课题，并明确了论文的结构和创新点。 第二章深入讲解了马尔科夫链的基础理论，扩展到隐马尔科夫模型，介绍了离散HMM的基本概念、算法，并讨论了实际应用中的优化策略。 第三章提出了将离散HMM应用于旋转机械振动幅值谱矢量的标量量化方法，以此为基础开发了一种故障诊断方法。通过转子升速过程的振动模式验证了该方法的有效性。 第四章进一步探讨了连续隐马尔科夫模型（CHMM），并提出了使用振动信号的AR（自回归）系数特征矢量序列构建混合密度CHMM的故障诊断新方法。对比分析了DHMM和CHMM方法，指出了各自的优势和适用场景。 第五章利用自组织映射（SOOM）神经网络对多传感器振动信息进行降维处理，提出了一种基于多通道振动信息融合的HMM故障诊断新方法，扩大了监测范围，实现了对旋转机械整体运行状态的综合识别。 第六章将AR系数矢量引入卡尔曼滤波器和HMM，创建了两种适应非平稳动态时间序列的模型，增强了对复杂动态系统的故障检测能力。 总结来说，这篇论文详细研究了HMM在旋转机械故障诊断中的应用，包括离散和连续模型，以及与神经网络和卡尔曼滤波器的结合，为旋转机械的健康管理和故障预测提供了新的理论支持和技术手段。