论文部分内容阅读
煤矿胶带机作为煤矿运输的基础设施，对煤矿的安全平稳高效生产提供了重要的保证。如何对胶带机的工况进行适时判断和预测是煤矿安全生产中非常关注的课题。隐马尔可夫模型(Hidden Markov Model, HMM)具有结构简明、推理清晰的特点以及在语音识别等应用中表现出卓越的分类性能，但在故障预警领域的研究还处于探索阶段，如何基于传感器监测数据及应用需求对HMM模型进行有效优化，并将HMM模型应用于胶带机故障预警具有很好的研究及应用价值。论文对HMM模型的优化进行了研究，同时对HMM模型在煤矿胶带机故障预警中的应用进行了研究。具体的研究内容如下：1．提出了一种基于变长粒子群优化算法(Variable Length Particle SwarmOptimization, VLPSO)的离散隐马尔可夫模型(Discrete Hidden Markov Model,DHMM)参数估计方法。该方法具有两个优点：(1) DHMM的状态数可以由算法根据信息准则在系统中动态确定；(2) DHMM模型中各参数近似收敛到指定状态数下的全局最优解。2．提出了一种基于多目标粒子群优化(Multi-Object Particle SwarmOptimization, MOPSO)算法的HMM模型参数估计方法。(1)利用MOPSO优化DHMM，得到的DHMM模型具有较高的分类精度和泛化特性；(2)利用MOPSO优化HMM，得到的HMM模型具有较高的分类精度和较小的剩余寿命(RemainingUseful Life, RUL)估计误差。3．提出了基于隐式半马尔可夫模型(Hidden Semi-Markov Model, HSMM)及混合高斯隐马尔可夫模型(Mixture of Gaussian Hidden Markov Model, MG-HMM)的RUL预测方法。(1)建立HSMM并提出该模型上的状态时刻预测算法。(2)建立MG-HMM模型，并提出利用基于图的算法以及基于切普曼-柯尔莫哥罗夫方程(Chapman-Kolmogorov, C-K)方程的状态转移方法进行预测。4．提出了混合MG-HMM与固定尺寸最小支持二乘向量机回归(Fixed SizeLeast Square Support Vector Regression, FS-LSSVR)的故障预警方法。系统分为三个部分，第一部分为在已知工况的样本上训练MG-HMM模型；第二部分识别未知样本，并得到当前健康状态；第三部分求解设备的剩余寿命。总之，本文对HMM模型的优化及其在胶带机故障预警上的应用进行了深入研究。如何进一步克服HMM模型在故障预警中的应用缺陷，进而构建更加实用化的系统是今后值得进一步深入研究的课题。