-
题名基于HDP-HMM的机械设备故障预测方法研究
被引量：7
- 1
-
-
作者
王恒
周易文
瞿家明
季云
-
机构
南通大学机械工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2019年第8期173-179,共7页
-
基金
国家自然科学基金(51405246)
江苏省自然科学基金(BK20151271)
+2 种基金
南通市应用基础研究-工业创新项目(GY12016010)
江苏省研究生科研创新计划项目(KYCX17_1913)
江苏省"六大人才高峰"高层次人才资助项目(2017-GDZB-048)
-
文摘
针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。
-
关键词
分层狄利克雷过程-隐马尔科夫模型(hdp-hmm)
退化状态
故障预测
-
Keywords
hierarchical dirichlet process-hidden markov model(hdp-hmm)
degradation state
prognostics
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
-
题名面向复杂主题建模的流式层次狄里克雷过程
被引量：6
- 2
-
-
作者
韩忠明
张梦玫
李梦琪
段大高
陈谊
-
机构
北京工商大学计算机与信息工程学院
食品安全大数据技术北京市重点实验室
-
出处
《计算机学报》
EI
CSCD
北大核心
2019年第7期1539-1552,共14页
-
基金
国家自然科学基金(61170112)
北京市自然科学基金(4172016)
北京市科技计划课题(Z161100001616004)资助~~
-
文摘
互联网已经成为真实事件信息的主要来源.针对互联网海量新闻语料的主题挖掘是新闻事件的组织和追踪任务中关键的一环.主题模型已被广泛应用于挖掘和分析新闻等文本语料,LDA(Latent Dirichlet Allocation)是最常见的主题模型,然而现有基于LDA的方法没有考虑到主题之间的层次关系,且需要预先提供主题个数.作为LDA模型的扩展,层次狄里克雷过程(Hierarchical Dirichlet Process,HDP)是非参数贝叶斯主题模型,HDP能够自动确定主题个数.对于具有层次等特性的复杂主题,HDP难以挖掘出隐式层次结构,且容易产生噪音主题.为了解决这个问题,该文提出了基于HDP改进的非参数贝叶斯模型:流式层次狄里利克雷过程(Flow Hierarchical Dirichlet Process,FHDP),FHDP通过在HDP模型中加入流动操作,加强了对主题之间的同属领域信息的利用,以便于更好的对主题进行层次分析.利用加入了流动操作的中国连锁餐馆模型(Chinese Restaurant Franchise,CRF)对数据进行建模,设计相应的马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)采样方法,以推导FHDP模型的分布参数分布.FHDP的主要贡献在于:(1)对含有层次关系的主题建模时,减少了无意义信息.解决了HDP得到主题不明确的问题,扩大了HDP的应用领域;(2)由于在FHDP中加强了对主题隐含领域信息的利用,主题的层次关系变得更加明确.为了客观衡量FHDP和HDP的性能差异,利用模拟和真实数据进行了大量实验.实验表明,在轮廓系数、主题覆盖度、单字对数似然等指标上,FHDP模型明显优于HDP模型。
-
关键词
层次狄里克雷过程
主题模型
非参数贝叶斯模型
马尔可夫蒙特卡罗
流式层次狄里克雷过程
-
Keywords
hierarchical dirichlet process
topic model
Bayesian nonparametric model
markov chain Monte Carlo
flow hierarchical dirichlet process
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于HDP-CHMM的机械设备性能退化评估
被引量：6
- 3
-
-
作者
王恒
季云
朱龙彪
刘肖
-
机构
南通大学机械工程学院
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2018年第4期733-737,共5页
-
基金
国家自然科学基金资助项目(51405246)
江苏省自然科学基金面上资助项目(BK20151271)
+1 种基金
南通市应用基础研究-工业创新资助项目(GY12016010)
江苏省"六大人才高峰"高层次人才资助项目(GDZB-048)
-
文摘
针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。
-
关键词
分层狄利克雷模型
连续隐马尔可夫模型
性能退化评估
滚动轴承
-
Keywords
hierarchical dirichlet process
continuous hidden markov model
performance degradation assessment
rolling bearing
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
-
题名HDP-HSMM的磨削声发射砂轮钝化状态识别
被引量：6
- 4
-
-
作者
钟利民
李丽娟
杨京
梁彬
程建春
刘翔雄
-
机构
南京大学声学研究所
人工微结构科学与技术协同创新中心
华辰精密装备(昆山)股份有限公司
-
出处
《应用声学》
CSCD
北大核心
2019年第2期151-158,共8页
-
基金
国家自然科学基金项目(11374157)
-
文摘
在高精度金属材料磨削加工中,刀具即砂轮的状态对加工效率和加工质量具有重要的影响。钝化程度较高的砂轮不适于加工精密工件,需提前预警并修整更换砂轮。该文提出一种通过磨削声发射信号来检测砂轮钝化状态的方法。首先,对于采集到的信号进行小波软阈值降噪。然后,将其分割成多个有重叠的帧,并提取每帧信号的8个特征组成声发射数据集。最后,通过分层Dirichlet过程-隐半马尔可夫模型来建立声发射数据集和不同的砂轮钝化状态之间的非线性关系,旨在识别砂轮钝化状态。结果表明,上述检测方法能有效识别砂轮的不同钝化状态并能对整个加工过程中的砂轮钝化程度进行自动划分,其在测试数据集上的准确率达到93.7%,可以为实际工业应用提供理论指导。
-
关键词
砂轮钝化
分层dirichlet过程-隐半马尔可夫模型
磨削声发射
小波阈值降噪
-
Keywords
The blunt state of grinding wheel
hierarchical dirichlet processes-hidden semi markov models
Grinding acoustic emission
Wavelet soft threshold denoising
-
分类号
O429
[理学—声学]
-
