- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究
基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究
?
29?
基于CGHMM的核电装备主泵状态监测与故障诊断技术的研究术
李劲播,江志钢,岳夏
(1.南华大学机械工程学院,湖南衡阳421001;2.华南理工大学,广东广州510006)
摘要:本文对核电机械装备系统中主泵状态进行监测和故障诊断.在短时傅里叶变换的倒谱系数为特征训练模型的基础上,采
用CGHMM分析主泵运行的振动信号和建模,并对模型进行状态监测和故障诊断.实验结果表明该方法有效可行,不仅提高了
诊断精度,而且加陕了诊断速度.
关键词:主泵连续高斯密度混合HMM监测故障诊断倒谱系数
中图分类号:什l7文献标识码:A文章编号:1~002—6886(2ol0】01-(1029—04
ResearchonStateMonitoringandFaultDiagnosisTechnologyoftheNuclearPowerEquipment
CoolantPumpbasedonCGHMM
LIJinbo,JIANGZhigang,YUEXia
Abstract:ThispaperstudiedmonitoringandfaultdiagnosistothecoolantpumpstatesintheNuclearPowerMechanicalEquipmentSys—
tern.Basedontheshort—timefouriertransformoftheCepstrumCoefficientsforthecharacteristicstrainingmodel,ContinuousGaussianmixture
HiddenMarkovModel(CGHMM)isadoptedtoanalyzevibrationsignalsofthecoolantpumpworkingandtomodel,anditisstatemonitoring
andfaultdiagnosistothemode1.Theexperimentationresultshowsthatthisproposalmethodiseffectiveandfeasible.Itisnotonlytoimprove
diagnosisaccuracybutalsotoacceleratediagnosisspeed.
Keywords:thecoolantpump;ContinuousGaussianMixtureHMM;monitoring;faultdiagnosis;cepstrumcoefficients
0引言
在核电装备系统中主泵占有十分重要的地位,直接影响
核电装备运行的可靠性和安全,对其进行快速有效的状态监
测与故障诊断,意义重大.针对核电装备系统复杂,所积累的
资料与故障样本少,信号信息量大等特点,而HMM具有强大
的时序模式分类能力,适用于动态时间序列的建模并特别适
合于对非平稳,重复再现性不佳的信号分析.鉴于主泵的振
动信号和语音信号有一定程度上的相似性,现在HMM已经
成为语音识别的主流技术,因此把HMM方法引入核电装备
系统中主泵状态监测和故障诊断的研究.国内外已经将
HMM方法应用到状态监测和故障诊断等领域中,已
经取得了良好的效果.
1HMM基本原理与算法J
隐马尔可夫模型(HiddenMarkovModel,HMM)是一种
用参数表示用于描述随机过程统计特性的概率模型,是一个
双重随机过程,由两部分组成:马尔可夫链和一般随机过程,
其中马尔可夫链用来描述状态的转移,即状态为模式内部的
状态序列,用转移概率来描述;一般随机过程用来描述状态与
观察序列问的关系,用观察值概率来描述.在状态监测与故
障诊断中,被检测设备的状态一般不能直接观察到,要通过测
量被测设备的表现来感知.
HMM是一种参数化模型,具有严格的数学结构和可靠
的计算性能,实践中它的参数集合可以通过实际观测到的实
验数据集合运用统计方法而获得,便于在实践中利用电路芯
片实现的算法,即算法易于硬件实现.现在已经在语音识别
方面得到广泛成功的应用,目前大多数语音识别系统都采用
HMM.一个HMM模型由若干个状态组成,随着时间的变
化,各个状态之间可以发生转移,也可以在一个状态内驻留,
每个观察值向量对不同的状态都有相应的输出概率.一个
HMM由下列五个元素(s,,7r,A,B)组成,其中:
c1:一组状态的集合,S={S.,S,…,s}其中的状态数
为Ⅳ,并用q来表示它t时刻的状态,当然qte{s.,s.,…,S}.
c2::一组可观察符号的集合,V={.,,…,},表
示从每一状态可能输出的不同观察值的数目,记t时刻的观
测值为O,其中OE{,V2,…,}.
C3:仃:初始概率分布矢量,7r={7r,丌2,
文档评论(0)