CN107274011A - 综合马尔科夫模型和概率网络的设备状态识别方法 - Google Patents

Abstract

本发明涉及一种综合马尔科夫模型和概率网络的设备状态识别方法，使用分层隐马尔科夫模型对设备进行状态识别,能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络,有效地降低模型的计算复杂度并缩短推理时间,将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别；针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法，更精确的划分故障发展过程的阶段数目，为设备状态的精确识别打下基础。本发明在功能故障之前检测到健康状态的改变，而且可以使用训练后模型根据在当前行为中观察到的变化来进行设备的剩余寿命预测。

Description

综合马尔科夫模型和概率网络的设备状态识别方法

技术领域

本发明涉及一种设备预警技术，特别涉及一种综合马尔科夫模型和概率网络的设备状态识别方法。

背景技术

在每年的运营成本当中，设备检修成本通常也占到15％以上。设备故障每年给世界各地的制造企业造成的损失是巨大的。由于相关设备的复杂度越来越高，相关设备的故障率也随之升高。传统的故障诊断方法有很多，包括神经网络，专家***，信号分析处理等，每种方法都有自己的特点，有优势也有不足之处。想通过传统的单一故障诊断方法作出判断难度将会很大。

由于电厂的实时数据和历史数据非常多，而且人们通过长时间的经验积累将数据模型和故障机理结合起来，通过搭建相关设备的综合故障预警模型，有效地进行状态识别和剩余寿命预测，可以在设备故障形成的早期发现征兆，进而做出深入的分析和诊断，并在此基础上提前采取措施避免故障的发生，变被动检修为主动检修，变非计划停机为计划停机，就能够减少不必要的经济损失。

传统的故障预警模型的状态识别方法精度不高，模型状态数均是通过主观经验的方法直接给出，缺乏科学性、通用性，导致只能在问题发生时进行维修和修理的被动式维修。而且模型参数随着设备状态的增加呈指数倍增，导致模型复杂度和计算时间大大增加。

发明内容

本发明是针对传统的故障预警模型的状态识别方法存在的问题，提出了一种综合马尔科夫模型和概率网络的设备状态识别方法，有效应用复杂***的“基于条件的维护”(CBM)和“故障预警和健康管理”(PHM)需要对预测模型的开发，应用和利用采用统一，一致和严格的方法，有效地进行状态识别和剩余寿命预测。

本发明的技术方案为：一种综合马尔科夫模型和概率网络的设备状态识别方法，具体包括如下步骤：

1)实验采集带采集时间的设备振动信号数据或调用带时间的历史振动信号数据，按时间组成数组数据，取一部分作为模型训练数据，另一部分作为验证数据；

2)状态数优化：选取模型训练数据，对振动信号进行小波包分解，提取各频带能量作为特征向量，以该特征向量为依据，用K均值算法对全寿命过程振动信号的小波包频带能量特征向量进行聚类，得到聚类结果，再用交叉验证方法分别计算聚类结果的分类错误率，得到优化后错误率最小的状态数，将聚类中心作为状态的分界点，并记录优化分类后全寿命数据的类别顺序；

2)HHMM-DBN模型建立：构建马尔可夫-概率网络模型，优化的状态作为顶层，每个状态包含一个子HMM，这个子HMM表示观测数据与状态之间的关系，从左至右型，只允许状态向右转移，状态分别产生某个序列的概率值计算出来，其中具有最大概率的状态即是当前序列所处的状态；初始化模型参数，选择每个聚类中心所对应的原始信号作为训练数据，对模型进行训练；

3)HHMM-DBN模型训练：将某时刻的测量数据输入模型中，用EM算法，通过初始参数迭代估计出与观测数据最匹配的参数，再用前后向算法计算每组参数产生观测数据Y的概率P(Y|λ),计算出P(Y|λ)，如果则得到模型最优参数,ε为终止阈值；

4)取所有模型训练数据对模型进行训练，列出各个状态的最终训练结果，对应各参数均为顶层模型参数；

5)实际运用：将验证数据输入训练好的模型中，通过数据预处理和HHMM-DBN算法得到概率最大值所对应的状态就是识别结果，通过这个状态识别结果预测故障的发展并合理制定必须的维修计划。

本发明的有益效果在于：本发明综合马尔科夫模型和概率网络的设备状态识别方法，将分层隐马尔科夫模型和动态贝叶斯网络结合起来，有效地降低模型的计算复杂度并缩短推理时间，还提出了基于K均值算法和交叉验证方法相结合的状态数优化方法，更精确的划分故障发展过程的阶段数目，为设备状态的精确识别打下基础。不仅可以在功能故障之前检测到健康状态的改变，而且该改变也可以使用这些模型根据在当前行为中观察到的变化来预测潜在的未来行为，进行设备的剩余寿命预测。

附图说明

图1为本发明三层分层隐Markov模型的动态贝叶斯网络表达图；

图2为本发明概率网络和分层隐Markov模型之间接口的原理图；

图3为本发明HHMM-DBN状态识别框架图；

图4为本发明齿轮箱状态数优化图；

图5为本发明用全寿命振动数据作为验证数据，其识别结果图；

图6为本发明不同时刻状态识别概率图；

图7为用于实现本发明的计算机***框架图。

具体实施方式

将概率图形模型应用于状态识别的案例已经有很多了。其中之一是数据驱动方法，这种方法从历史数据自动学习概率图形模型。与传统的马尔科夫模型相比，将马尔科夫模型结合到贝叶斯概率网络中进行状态识别可以很大程度简化计算。只需训练一个综合的集成模型就可以完成对所有状态的识别，对于待识别状态观测序列，通过模型计算每个状态产生该序列的概率，概率最大的状态即为设备的当前状态。本发明针对这种思路提供了一种解决方案。

本发明使用分层隐Markov模型(HHMM)对设备进行状态识别,能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别；针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法。可能健康状态的概率值可以包括***或***组件的每个可能健康状态的似然值。可以在模型中并入似然值作为不确定证据。似然值可以是与特征的不同离散状态相关联的边际似然值。将似然值并入不确定证据可以包括将虚拟证据节点附接到给定数据驱动模型的每个时间段中的观察节点。

健康状态的概率值包括时间索引概率值的向量。用于预测建模的***包括耦合到存储器上可输入指令的处理器，所输指令存储在所述存储器上，指令在由所述处理器执行时使所述处理器使用数据获得***的可能健康状态的概率值驱动模型和故障机理模型。处理器还可以被配置为将预测的故障发送到一个或多个设备。

本发明利用动态贝叶斯网络(DBN)来将分层隐Markov模型(HHMM)与数据驱动(DD)模型集成。预测的结果由语义标签的离散集合表示，例如{健康，衰退，故障}。模型给出了来自***建模的一组时间序列向量并返回时间索引的概率值的向量。这些概率可以是似然值，表示***处于每个状态的概率；也可以保持累积概率分布，表示***是否已经故障或者没有达到给定时间的概率。

可以将分层隐马尔可夫过程用DBN表达，除了离散或连续随机变量，每个节点都是马尔可夫过程，其转移强度不随时间而变化，而是基于网络中节点的父节点的当前状态。令t时刻d层的状态则整个状态可以用向量表示，该向量从直观上解释了整个HHMM图形结构，尤其体现了状态转移中从父节点到子节点的整个路径。

如图1所述三层分层隐Markov模型的动态贝叶斯网络表达图，是一个二值的控制变量，当它是t时刻d层HMM状态转移完成时，取值为1，否则为0。处于0值的F节点的数目可以反映当前状态所在的层数。在Q节点之间向下的连线表示一个父状态激活了它的一个子状态。在F节点之间向上的连线表示高一层的HMM只有当它的子HMM状态转移完成时才能进行状态转移。结构的底层、中间层和顶层以及时间序列的开始和结束条件概率分布可以表示为：底层(d＝D,t＝2；T-1):是一个参数由所在子HMM决定的隐Markov链，它由高层的状态变量组成的向量引出(是上一层的状态变量)。当转移到结束状态时，打开F^D(值变为1)，表示已经完成了状态的转移。此时，表示高一层HMM的状态可以转移。另外，Q^D的另一个值从先验分布中获取(代表垂直转移)。(F^D指整个D层的状态转移标识，Q^D是一个参数由所在子HMM决定的隐马尔科夫链)那么，它的转移概率可以表示为:

假设I,j≠end(代表终止状态)。是D层在给定父节点处于状态k时的状态转移概率，仅是一个调整后的形式。同样，是D层在给定父节点处于状态k时的初始分布。F^D的方程为:

中间层和底层类似。与底层不同的是，中间层从底层获得子HMM状态转移是否完成的信号是F^d+1。如果子HMM状态已经转移完成，那么，本层状态可以转移到下一个状态，否则，继续停留在原来的状态。公式为:

F^d应该仅在Q^d允许进入最终状态时打开，它的概率取决于其公式为:

顶层不同于中间层的是Q节点没有父节点，并没有指定服从哪种初始分布。其表达式基本与中间层相同，不同的是删去了条件因此，顶层状态就是所有解析树的根节点。

初始时刻(t＝1,d＝1:D):初始时刻节点的连续概率分布(CDP)表示为：顶层其余层终止时刻(t＝T,d＝1:D):为了确保序列终止时所有的子HMM都到达它的最终状态，相对于所有的d，可以使

观测值：如果观测值是离散的，可以将P(O_t|Q_t)表示为CPT，如果观测值是一个向量，可以将Q_t的每个值表示为高斯分布。也可以将O_t的某些父节点作为它的条件。终止状态的处理：DBN不可能真正地到达终止状态，相应的观测值也成为未知(和HMM不一样，DBN在每个时间步必须产生观测值)。实际上使得打开，并且它在t+1时刻按照初始状态分布进入了一个新的状态(非终止状态)。这就意味着DBN和HHMM的转移矩阵并不相同。它们满足关系：其中，代表HHMM的转移概率，代表DBN的转移概率，并且是从i状态转移到终止状态的概率。原因是在DBN中每个水平转移的概率乘以的概率必须和原始概率相匹配。

在每个时间段，向模型给出该时间点的所观察的状态以及所有先前的时间段。由当前和先前时间段返回的状态似然值设置为当前和先前预测节点中的虚拟证据。然后可以查询DBN以找到要在每个时间段预测的特征的最可能的状态。图2是概率网络和HHMM之间接口的原理图。

如图3所示基于HHMM-DBN的状态识别框架，综上所述基于HHMM-DBN的状态识别步骤如下：

(1)状态数优化。将T(i)作为历史状态数据，对振动信号进行小波包3层分解，提取各频带能量作为特征向量，以该特征向量为依据，用K均值算法与交叉验证相结合的方法对状态数进行优化。

(2)HHMM-DBN模型训练。选择每个聚类中心所对应的原始信号作为训练数据，对一个模型进行训练；模型训练是已知模型结构和观测变量，对模型的参数进行学习的过程，本文用EM算法求解参数。

(3)向模型输入待识别观测数据进行识别。分类器训练完毕后，即可对设备进行状态识别，观测数据需要在相同工作条件下采集。将某时刻的测量数据输入模型中，概率值最大的HHMM所对应的状态，即为设备当前所处的状态。这里用前向后向算法求解概率值。通过模型的训练得到模型的参数。

(4)实际运用：如图3下部分是将实际的数据输入训练好的模型中，通过数据预处理和HHMM-DBN算法得到概率最大值所对应的状态就是识别结果，通过这个状态识别结果就可以预测故障的发展并合理制定必须的维修计划。

5实施例

下面以常见的齿轮箱为例，说明本***的实际应用方法。使用齿轮箱全寿命过程振动信号进行试验。采样频率为20KHz，采集长度为4×10⁴，每小时采集12次，分别记为T(θ)，T(θ+5)，T(θ+10)，...，T(θ+55)，共12组数据，其中θ表示累计工作小时数。使用一组齿轮箱数据进行模型训练，其他11组数据用来验证。

(一)状态数优化

齿轮箱状态数的划分是进行状态识别和故障预测的关键，首先用K均值算法对齿轮箱全寿命过程振动信号的小波包频带能量特征向量进行聚类，将齿轮箱的状态划分为4个至20个，共17种聚类结果。再用交叉验证方法分别计算17种聚类结果的分类错误率。由图4所示的齿轮箱状态数优化可以得出，当分为5个状态时，其分类错误率最小，因此将齿轮箱全寿命过程分为5个状态。与此同时，将聚类中心作为状态的分界点，并记录分类后全寿命数据的类别顺序。

(二)初始化参数

这里构建了一个2层的模型，其中顶层代表齿轮箱的5个状态，每个状态又包含一个子HMM，这个子HMM表示观测数据与齿轮箱状态之间的关系。为从左至右型，只允许状态向右转移，该模型能客观地反映健康状态的退化过程。5个状态分别产生某个序列的概率值可以计算出来，其中具有最大概率的状态即是当前序列所处的状态。表1为初始参数设置。表1中，D表示模型的层数，Q¹表示第一层状态数目，Q²表示第二层状态数目；π¹表示第一层初始状态分布矩阵，π²表示第二层初始状态分布矩阵，μ₀表示观测数据均值向量，σ₀表示观测数据方差向量，A²表示第二层状态转移矩阵，A¹表示第一层状态转移矩阵。其中第二层初始状态分布矩阵应该是一个5×3的矩阵，每行代表每个状态进入其子状态的分布矩阵，因为此处每个状态进入其子状态的初始分布矩阵相同，所以只列出一个；同理，第二层状态转移矩阵代表第一层每个状态其子状态转移概率矩阵，此处，每个状态的子状态转移概率设置都相同，所以只列出一个。

表1

(三)参数学习

根据公式(5)-(12)将参数反复迭代，每次迭代的目标是最大化观测数据的对数似然概率值。该迭代过程的收敛条件是对数似然概率值的变化小于某个特定的阈值或完成设定循环的步数。这里主要用前后向算法计算每组参数产生观测数据Y的概率P(Y|λ)以及用EM算法计算与观测数据最匹配的参数。

1.EM算法

定义一个观测数据为O_1,T，如果多于一个，则将它们统计量的期望相加。由于模型是两层的结构，所以各状态涉及到水平转移和垂直转移，结合图一的HHMM的DBN表达公式可得，对于水平转移有：

ξ(t,d,i,k,j)定义为

d层的状态转移矩阵可由下式迭代

垂直转出时，d层在i状态终止的概率为:

ξ_e(t,d,k,i)定义为

D层的初始状态分布矩阵可由下式迭代

垂直转入时d层在i状态开始的概率为:

d层的初始状态分布矩阵可由下式迭代

如果观测值的概率密度为多项式，它取决于整个状态矢量，可以表示为:

γ(t,k,o)定义为

混合矩阵B可由下式迭代

上述参数的期望就是模型的参数矩阵，通过将表一中的初始参数迭代估计出模型的最优参数。

2.前后向算法

用前向后向算法进行DBN推理。每组参数产生观测数据Y的概率为P(Y|λ)，λ＝(π,A,B)表示一个HMM模型。定义前向变量为α_t(i)＝P(y₁,y₂,...,y_t,x_t＝i|λ)。截止到t时刻i状态时产生观测数据的概率可用下述公式计算：

定义后向变量为β_t(i)＝P(y_t+1,y_t+2,...,y_T|x_t＝i,λ)。从t时刻i状态开始直到终止时刻产生观测数据的概率可用下述公式计算：β_T(i)＝1,1≤i≤N；

产生观测数据Y的概率最后由下式算得：

(三)训练结果

将初始化参数带入EM算法程序进行迭代不断计算出参数,再带入前后向算法程序，计算出P(Y|λ)，如果则得到模型最优参数。ε为终止阈值，这里取1*10^-4。

取齿轮箱数据T(i)对模型进行训练，这里列出5个状态的最终训练结果，各参数均为顶层模型参数，如表2～6所示。

表2状态1训练结果

表3状态2训练结果

表4状态3训练结果

表5状态4训练结果

表6状态5训练结果

至此，5个状态的模型参数已经得到，将T(θ+20)的全寿命振动数据作为验证数据，分别计算5个状态模型的对数似然概率值logP(Y|λ_i),i＝1,2,3,4,5，最大值对应的状态即为设备所处的状态。其识别结果如图5所示，识别的正确率约为90％。

齿轮箱工作50h、150h、250h、350、430h时识别各状态的概率饼状图见图6。

图7是用于实现本发明的计算机***框架。***包括处理节点702-1…702-N，其被配置为通过网络720进行通信。702-1…702-N可以如***702-1中所示配置，***702-1包括存储器710，用户接口712，网络接口714和一个或多个处理器706。存储器710包括存储在其上的指令使处理器706执行一个或多个步骤。存储器710包括用于实现方法的一个或多个步骤的诊断/预测建模模块708。存储器710还包括***(比如说电源)中的每个关键部分或模块维护的数据模块716。每个数据模块716包括与相应部件的材料，制造，组装，运行和服务中的至少一个相关的数据。用户接口712可以被配置为允许用户输入到***中。

***702-1可选地包括网络接口714，其可以被配置为使得***能够与网络720和其他***组件连接。程序代码可以完全在用户计算机上执行,或作为独立软件包执行。

这些计算机程序指令还可以存储在计算机可读介质中，可以指示计算机以特定方式工作，使得存储在计算机可读介质中的指令发挥作用。包括实现在流程图的指定的功能/动作的指令。计算机可读存储介质不应被解释为是短暂信号本身，诸如无线电波或其他自由传播的电磁波，或通过导线传输的电信号。

Claims (1)

1.一种综合马尔科夫模型和概率网络的设备状态识别方法，其特征在于，具体包括如下步骤：

1)实验采集带采集时间的设备振动信号数据或调用带时间的历史振动信号数据，按时间组成数组数据，取一部分作为模型训练数据，另一部分作为验证数据；

2)状态数优化：选取模型训练数据，对振动信号进行小波包分解，提取各频带能量作为特征向量，以该特征向量为依据，用K均值算法对全寿命过程振动信号的小波包频带能量特征向量进行聚类，得到聚类结果，再用交叉验证方法分别计算聚类结果的分类错误率，得到优化后错误率最小的状态数，将聚类中心作为状态的分界点，并记录优化分类后全寿命数据的类别顺序；

2)HHMM-DBN模型建立：构建马尔可夫-概率网络模型，优化的状态作为顶层，每个状态包含一个子HMM，这个子HMM表示观测数据与状态之间的关系，从左至右型，只允许状态向右转移，状态分别产生某个序列的概率值计算出来，其中具有最大概率的状态即是当前序列所处的状态；初始化模型参数，选择每个聚类中心所对应的原始信号作为训练数据，对模型进行训练；

3)HHMM-DBN模型训练：将某时刻的测量数据输入模型中，用EM算法，通过初始参数迭代估计出与观测数据最匹配的参数，再用前后向算法计算每组参数产生观测数据Y的概率P(Y|λ),计算出P(Y|λ)，如果则得到模型最优参数,ε为终止阈值；

4)取所有模型训练数据对模型进行训练，列出各个状态的最终训练结果，对应各参数均为顶层模型参数；

5)实际运用：将验证数据输入训练好的模型中，通过数据预处理和HHMM-DBN算法得到概率最大值所对应的状态就是识别结果，通过这个状态识别结果预测故障的发展并合理制定必须的维修计划。