隐马尔可夫模型是一类常用的向图模型（贝叶斯网生成模型），描述了直观可测的随机序列背后的稳定的隐含状态的马尔可夫链生成结构。隐马尔可夫模型最早成功使用场景是语音识别（用数据驱动的自动化路线终结了语音原理与结构分析的技术路线），后来陆续成功应用到自然语言标注、拼写错误、机器翻译、手写体识别、基因序列分析等领域。

工业分析也存在很多类似应用场景，例如设备状态测量本身存在很多不确定性，但健康状况是一个重要的隐含状态，不同健康类别下设备状态的概率分布不同，健康类别间有相对稳定的转移概率，隐马尔可夫模型是刻画这种“不确定性表象”下蕴含的”结构不变性“的一种有效的算法工具。

论文一

LEBAROUDAbdesselam,CLERCGuy.DiagnosisofinductionmachinebytimefrequencyrepresentationandhiddenMarkovmodelling

数据：感应电机的电流与振动数据，采样频率10kHz。4类状态（健康、轴承故障、定子故障、转子故障）

特征提取采用信号时频分析的模糊函数（ambiguityfunction），标记为A(η,τ)，对于每类状态（故障状态、健康状态）计算模糊函数在均值与方差。针对每类故障，计算不同η,τ下与健康状态的Fisher区分度(FisherDiscriminantRatio)，标记为FDR(η,τ)，根据FDR(η,τ)中的前k个最大分量，取A(η,τ)对应的数值组成一个序列。

针对每个设备状态{λ}模式训练一个高斯HMM模型。在同一个设备状态下，每个负荷状况都提取样本，经过特征提取，共同训练一个HMM模型。观测量采用高斯分布。

论文二

P.Arpaiaetal.,“FaultdetectiononfluidmachineryusingHiddenMarkovModels,”Meas.J.Int.Meas.Confed.,vol.,p.,,doi:10./j.measurement...

数据源：螺杆压缩机的3轴的振动加速度、能耗、温度、入口和出口压力，只有正常工况的数据。

建模思路是基于正常工况建立HMM模型。输入数据与模型的拟合度表示是否存在异常。正常工况HMM模型的训练：如下图所示，对原始数据预处理后，进行PCA降维，采用Kmeans进行聚类，聚类数目和HMM的状态的数目一致。尝试使用2～7个隐含状态，实验结果证明最优数目的是3个状态。

论文三

Boutros,T.,Liang,M.().DetectionanddiagnosisofbearingandcuttingtoolfaultsusinghiddenMarkovmodels.MechanicalSystemsandSignalProcessing,25(6),–.

转载请注明:http://www.aideyishus.com/lkzp/3276.html