第1期 2018年1月
组合机床与自动化加工技术
ModularMachineTool&AutomaticManufacturingTechnique
文章编号：10012265(2018)01005604
D0I:10. 13462/j. cnki. mmtamt. 2018.01.014
基于HSMM的机械故障演化预测诊断研究
于宁1王艳红蔡明2田中大
No.1 Jan.2018
（1.沈阳工业大学信息科学与工程学院，沈阳110870；2.东北大学机械工程与自动化学院，沈阳 110819
摘要：为了给机械设备提供更准确的故障预测诊断，采用小波分析的方法对滚动轴承的振动信号进行特征提取与分析，并提出一种新混合模型（即将状态空间模型与隐率马尔可夫模型相结合的混合模型)的故障预测诊断方法。首先在动态观测系统中建立故障状态方程，将故障作为关键因子，并在混合后的模型中给予相应的证明，通过对其分析处理、使用预测模型进行训练以及对比分析设备的
退化状态，给出合理的预测方案，然后对其进行深入分析，最后得出研究结论。关键词：故障预测；滚动轴承；小波分析；残差；状态识别
中图分类号：TH122TG506
文献标识码：A
Study on Prediction and Diagnosis of Mechanical Fault Evolution Based on HSMM Model
YU Ning', WANG Yan-hong',CAI Ming,TIAN Zhong-da
(1.School of Information Science & Engineering,Shenyang University of Technology,Shenyang 110870, China;2. School of Mechanical Engineering & Automation, Northeastern University, Shenyang 110819, Chi-na)
Abstract: In order to provide more accurate fault prediction and diagnosis of mechanical equipment, the wavelet analysis method was used to extract and analyze the vibration signal of rolling bearing, and a new hybrid model of fault prediction and diagnosis method was proposed, which combined the state space model with the hidden semi-Markov model. Firstly, the fault state equation was established in the dynamic observa-tion system, the fault was taken as the key factor, and the corresponding proof was given in the hybrid mod-el. Through analyzing and processing of it, training of the prediction model, comparing and analyzing of the equipment degradation state, the reasonable prediction scheme was given. Then deeply analysis was conduc-ted. Finally, the conclusions were drawn.
Key words: fault prediction; rolling bearing; wavelet analysis; residual; state recognition
0引言
近年来，随着科技的迅猛发展，现代设备也正在不
断朝着自动化、高效化的方向完善发展。现代化的大型机械设备中，一旦发生故障，其整个生产过程都将受到影响，势必须会造成严重的损失。传统的维修方式多是在事故发生后对其进行维修，是由于对设备的故障不能实现很好的预测效果。设备从正常状态到故障状态其间要经历一系列退化过程，如果能预测其退化状态，就可以提前采取一系列预防或维修措施，进一步提高设备的便用寿命、安全稳定等性能，故障预测诊断技术就应运而生了。故障预测诊断技术作为提高系统安全性和可靠性的重要手段，已经成为很多控制系统
收稿日期：2017-10-10修回日期：2017-10-19
工程研制过程中的重要技术，进而成为设备维修及健康管理的最为关键一步。
国内外的研究机构和学者对故障预测的技术开展了一定的研究(15],文献[1]提出基于小波相关特征尺度熵（WCFSE）的HSMM设备退化状态识别与故障预测方法。文献[2]采用部件级及系统级的分层建模思想，提出基于故障演化的测试性建模方法。文献[3] 用HSMM进行故障诊断和预测的框架；并针对传统 HSMM建模算法引入并改进了一种快速递推算法。文献[4]利用HSMM提出了多传感器设备诊断与预后综合平台。文献[5]提出自适应隐半马尔可夫模型的多传感器设备的诊断和预后的一个集成框架。但对动态系统建立可观测变量与智能方法结合进行故障诊断的
*基金项目：国家自然科学基金资助项目（51375082）：中央高校基本科研业务专项资金资助项目（N160306001）
作者简介：于宁（1989—），女，沈阳人，沈阳工业大学硕士研究生，研究方向为企业综合自动化，（E-mail)yuning19890710@126.com；通讯作者：蔡
翌（19势一），男，辽宁抚顺人，东北大学博士研究生，研究方向为磨削与精密加工技术，（E-mail）caiming199004@126.com；王艳红万发数箍，安，沈陷人，沈阳工业大学教授、博士生导师，研究方向为企业综合自动化，（E-mail）wangyh_su@163.cam。