广东河源 517000
摘要：随着对机电设备安全性和可靠性要求的不断提高，准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型（Hidden Markov Model HMM）具有描述隐藏状态和观测状态的双随机过程属性，与设备的退化过程在某种程度上是相似的，因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法，重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型的机械设备故障预测方法，分析比较各种方法的优缺点，并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。
关键词：机械设备；可靠性
引言
随着现代科技的迅速发展，机械设备越来越朝着大型化、高速化和高度自动化方向发展，机器故障对生产造成的影响和危害也越来越严重。为了保证机械设备长期安全运行，工业现场越来越需要对机械设备的运行状态和长期发展趋势进行监测和预报，基于运行状态对设备进行预知维护和管理，以便做到防患于未然。我国国家中长期规划（（2006年—2020年）和讯械工程学科发展战略报告（2011年—2020年）》，均将重大产品和重大设施运行可靠性、安全性、可维护性关键技术列为重要的研究方向。因此，机械设备运行状态评估与故障预测是当前故障领域的研究热点。
本文主要综述国内外基于隐马尔可夫模型（HMM）及其改进方法、隐半马尔可夫（HSMM）及其改进方法在机械设备运行状态评估与故障预测的研究，总结与比较各种方法的优缺点，分析并展望该领域的研究前景。
1基于隐马尔可夫模型的设备故障预测研究
1. 1隐马尔可夫模型
HMM是一个双重随机过程：一个是Markov链，可以用它来描述隐藏状态间的转移概率，这是一个基本随机过程；而另一个是描述每个隐藏状态下产生观测值的随机过程，并且隐藏状态与观察值之间不是一一对应的关系。HMM具有一定状态数的隐马尔可夫链和显式随机函数集，图1为模型某一状态下的隐马尔可夫过程。
1. 2基于隐马尔可夫模型的故障预测研究
国内外基于HMM模型的设备故障预测与诊断技术的研究己有许多理论成果。Heck L P和McClellan JH等[[A]率先将左右型HMM引入到机械设备的故障诊断中，建立了基于机械刀具磨损的检测系统；Ocak H和Loparo K A对轴承正常状态建立单个HMM，然后用训练之后的模型对轴承进行故障检测，实现了基于HMM的在线监测和诊断，但这种方法仅适用于同种工况中。Lee J和Boutros T等分别将连续HMM（Continuous Hidden Markov Model CHMM）和离散HMM（Discrete Hidden Markov Model，DHMM）运用于不同机械零件的故障诊断中；Camci F提出了基于动态贝叶斯网络（Dynamic Bayesian Networks，DBN）退化状态识别方法，该方法利用DBN将退化状态进行分层，形成的 sub-IMM子模型代表设备不同的健康状态，提高了复杂系统基于HMM故障识别的灵活性。由单一高斯概率密度函数来模拟HMM观测序列不能满足复杂系统的要求，Diego Alejandr。等[00提出将混合高斯（Mixture of Gaussian）分布拟合方法和HMM建模方法相结合，结果表明，该方法在复杂系统缓变性故障预测上的效果明显。由于直接检测到的信号大多是随机信号，不宜直接用作故障诊断，为了寻找工况状态和特征量之间的关系，一般需要进行特征分析。Owsley等将自组织特征映射（Self-organizing featuremaps，SOFM）与HMM相结合，以SOFM处理结果为特征，HMM作为分类器对刀具切削过程进行监测，取得了一定的研究成果；Purushotham V等引入离散小波分析对轴承数据进行特征提取，再利用HMM模型进行故障分类，实验证明，该方法对于故障诊断有一定的实用性；Kwan C等使用主元分析（PrincipalComponent Analysis，PCA）进行特征提取，使得HMM模型的参数估计与训练更为有效，从而实现了设备的预诊断。由于HMM需要大量的历史数据进行模型训练和参数估计，而灰色模型（Gray Model）能完成未知数据的识别和诊断。因此，Ying Peng和Ming Dong提出了基于HMM和GM相结合的混合算法，改进后的算法可以预测设备的剩余寿命。
期刊文章分类查询,尽在期刊图书馆
2基于隐半马尔可夫模型的设备故障预测研究
2. 1隐半马尔可夫模型
隐半马尔可夫模型（Hidden semi-Vlarkov ModelHSMM）是考虑状态驻留概率分布为显式的一种HMM扩展模型。在HMM中，模型在状态i停留一定时间的概率为 ，d为驻留时间，d≥1，0≥ ≥1.由此式可知，该模型随着时间的增长呈指数下降的趋势，导致HMM中的状态持续时间服从指数分布。然而，指数分布具有“缺乏记忆”的特性，往往不符合产品损伤累积和老化这一实际过程，因此不能够直接用于故障预测。
与HMM相比，HSMM通过引入高斯概率分布来表现各状态的驻留时间，克服了因马尔可夫链的假设造成HMM建模所具有的局限性，比较符合故障发展的规律。因此，在解决现实问题中，HSMM能够提供更好的建模能力和分析能力，改善了HMM的模式分辨精度，提高了诊断的准确性，更适合于机械设备的状态识别与故障预测。如今，HSMM己经成功应用到了对液压泵、UH-60A黑鹰直升机的传动装置的故障识别中。
HSMM模型参数可以用公式 表示。式中 表示初始状态的概率分布，用来描述隐含状态在t=1时刻所处的状态；A表示状态转移概率矩阵，用来描述隐含状态之间的转移概率；B表示观测值概率矩阵，用来描述观测值处于隐含状态下的概率 表示状态驻留时间概率分布，即状态S持续d个时间单元的概率。其中 1≤i≤N，1≤d≤D，D为状态的最大驻留时间。
2. 2基于隐半马尔可夫模型的故障预测研究
HSMM在HMM的基础上引入高斯概率分布来表现各状态的驻留时间，更加符合故障的退化规律。Ferguson JD，率先将HMM的状态驻留时间显式化，形成隐半马尔可夫模型；Eric Bechhoefer等使用HSMM预测了转轴的剩余使用寿命；Ming Dong等提出了基于HSMM和分段HSMM的故障预测统计建模方法，通过显式高斯概率密度函数建立健康状态驻留时间模型，利用状态时间概率分布预测设备的剩余使用寿命，但是没有考虑状态驻留时间对状态转移概率的影响；Qinming Li等将隐半马尔可夫模型与序列蒙特卡罗方法（Sequential Monte CarloSMC）相结合进行设备的在线健康预测，采用HSMM获取健康状态和状态时间之间的转移概率，SMC描述健康状态和设备监测的观测值之间的概率关系；杨志波、董明提出了一种自回归隐半马尔可夫模型（Auto-egressiveHidden semi-Vlarkov Model AR-HSMM），改进了传统HMM假设各观测量相互独立的问题，但是状态数的划分是通过经验值设定的，不具有通用性；李巍华等提出了一种连续隐半马尔可夫模型，可用于时间序列的动态建模，并无需全寿命的先验知识，可用于早期故障的在线监测；孙磊、贾云献等利用动态贝叶斯网络（HSMM-DBN）对设备早期异常状态进行了自动识别，该方法可以减少模型参数，提高故障识别效率，但是退化过程的识别程度有待进一步划分。
3总结与展望
基于HMM和HSMM的设备故障预测方法研究取得了很可喜的进展，表现出良好的应用前景。但是，基于隐马尔可夫模型及其改进算法在故障预测和诊断中运用还有待解决以下问题：需要确定设备所经历的退化状态数：状态数的划分是进行状态识别和故障预测的关键，如果划分的状态过多，用于分类的算法将屈从于过高的似然概率值，很难识别各种退化状态，分类错误率较高；反之，划分的状态数过少，则不利于判断退化的严重程度。传统的根据专家经验划分状态的方法需要对模型先验知识比较了解，缺乏科学性、通用性；通过实验方法将多数部件能够遍历的状态数设为最佳状态数需要进行大量实验，对于长寿命、价格昂贵的设备不适用。因此，如何有效地确定设备退化状态数的研究还很不深入，就仅有研究论文可知HMM或HSMM学习时，设备所经历的退化状态数必须预先设定，这就需要对模型先验知识比较了解，但在很多实际应用中，缺乏相应的先验知识，并不能准确地给出模型的退化状态数，限制HMM应用的场合。
参考文献
[1]周龙. 机械设备运行可靠性评估的发展与思考[J].科技创新与应用，2016，（36）：152
[2]张春阳. 机械设备运行可靠性评估的发展与思考[J]. 科技风，2016，（05）：97
[3]刘作岩. 机械设备运行可靠性评估的发展与思考[J]. 中国新技术新产品，2016，（09）：36-37
论文作者:廖志红
论文发表刊物:《建筑学研究前沿》2017年第16期
论文发表时间:2017/11/22
标签：状态论文; 模型论文; 故障论文; 马尔论文; 概率论文; 可夫论文; 方法论文; 《建筑学研究前沿》2017年第16期论文;