收稿日期:20200203;修回日期:20200323 基金项目:国家自然科学基金资助项目(71632008,71840003);上海市自然科学基金资
助项目(19ZR1435600);国家教育部人文社会科学研究规划基金资助项目(20YJAZH068)
作者简介:刘文溢(1997),男,四川巴中人,硕士研究生,主要研究方向为故障诊断与寿命预测;刘勤明(1984),男(通信作者),山东日照人,
副教授,博士,主要研究方向为维护调度、人工智能等(lqm0531@163.com);叶春明(1964),男,安徽宣城人,教授,博导,博士,主要研究方向为生
产调度;李冠林(1998),男,山西大同人,本科生,主要研究方向为供应链管理.
基于改进退化隐马尔可夫模型的设备
健康诊断与寿命预测研究
刘文溢,刘勤明
,叶春明,李冠林
(上海理工大学 管理学院,上海 200093)
摘 要:针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速
退化为核心的改进退化隐马尔可夫模型(DGHMM)。首先,引入退化因子描述设备衰退过程,提出的似幂关系
加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降。其次,以全
局搜索能力相对较强的改进遗传算法代替常规 EM算法进行参数估计,克服了 EM算法易陷入局部最优的局限
性。同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以
近似算法与 Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态
路径,对设备剩余寿命进行预测。最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价。
结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确
率方面更加有效,在剩余寿命预测上亦为可行。
关键词:隐马尔可夫模型;设备退化;健康诊断;剩余寿命预测;遗传算法;近似算法
中图分类号:TP306 文献标志码:A 文章编号:10013695(2021)03032080506
doi:10.19734/j.issn.10013695.2020.02.0067
Equipmenthealthdiagnosticsandprognosticsmethod
basedonimproveddegeneratedHMM
LiuWenyi,LiuQinming
,YeChunming,LiGuanlin
(BusinessSchool,UniversityofShanghaiforScience&Technology,Shanghai200093,China)
Abstract:InordertosolvetheproblemoflargedeviationbetweenhiddenMarkovmodelandactualequipmenthealthdiagno
sis,thispaperdevelopedanimproveddegeneratedhiddenMarkovmodel(DGHMM)withacoreofthequasipowerrelation.
Firstly
,themodeladoptedthedegradationfactors,modelingtheprocessofrecessionfortheequipment’scontinuousdecreasein
performance.Comparedwiththeconventionalexponentialaccelerateddegradation,thequasipowerrelationaccelerateddegra
dationcouldbetterdescribetheprocessthattheperformanceoftheequipmentdecreasesgraduallywiththeincreaseofservice
age.Then
,theimprovedgeneticalgorithmcouldreplacetheconventionalEMalgorithmforparameters’estimation,whichover
camethelimitationthattheEMalgorithmwaseasytofallintolocaloptimization.Atthesametime,intermsofthelimitationof
lifepredictionproblemasaresultofthehiddenMarkovmodelmustobeyedexponentialdistribution,analgorithmnamedgreed
&approximationbasedonapproximationalgorithmandViterbialgorithmcameout,andtoseekmaximumprobabilityremaining
observation,forthepurposeofseekingmaximumprobabilitydynamicallysurplusstatepath,topredicttheresiduallifeofequip
ment.Finally,itvalidatedandevaluatedtheproposedmethodwiththedatasetofcaterpillarhydraulicpumps.Theresultsshow
thatthemethodofequipmenthealthdiagnosisandlifepredictionbasedontheimproveddegradedhiddenMarkovmodelis
moreeffectiveindescribingequipment
’sdegenerationandtheaccuracyofequipmentstatediagnosis,andisalsofeasibleinthe
predictionofresiduallife.
Keywords:hiddenMarkovmodel;equipment’sdegeneration;healthdiagnostics;residualusefullifetime;geneticalgo
rithm;approximationalgorithm
0 引言
隐马尔可夫模型(hiddenMarkovmodel,HMM)作为一种统
计学方法,从概率角度描述系统外在表现与隐含状态之间的关
系,既能反映对象的随机性,又能反映其潜在结构,适用于处理
复杂系统的建模问题,不仅在语音识别及分词方面取得了应
用
[1,2]
,在模式识别与健康诊断方面也取得了良好的效果。
Carey等人
[3]
通过分析机械设备的振动信号首次将 HMM
成功应用于故障诊断领域。王燕锋等人
[4]
建立了包含耦合的
离散时变时滞和耦合的分布时变时滞的模型运用有效技术约
束不确定项,并通过数值仿真验证了方法有效性。马伦等人
[5]
阐述了 HMM在时间上存在必须强制符合指数分布的不合理性
而不能直接用于剩余寿命预测。总体而言,现阶段 HMM模型
的研究因其自身限制也仅停留在设备健康诊断方面。
为了克服 HMM模型的局限性,学者们提出了隐半马尔可
夫模 型 (
hiddensemiMarkovmodel,HSMM)。 董 明
[6]
运 用
HSMM的状态驻留对设备进行了健康诊断与剩余寿命预测。
第 38卷第 3期
2021年 3月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol38No3
Mar.2021