张星辉， 康建设， 赵劲松,2， 肖 雷， 曹端超

(1.军械工程学院，石家庄 050003；2.军事交通学院，天津 300161;3.重庆大学，重庆 400030)

有效的退化状态识别是设备健康管理的关键步骤。齿轮及齿轮箱是机械设备中一种必不可少的部件，对其进行状态监测有着重要意义。国内外学者对齿轮箱不同故障模式的识别已经进行了大量的研究，取得了很多成果。而研究单一故障模式从初始发生到失效整个过程的退化规律对维修活动规划有很大意义。齿面磨损是齿轮的常见退化模式，通常会随着运行时间的流逝而逐渐严重，直到齿轮失效。齿面磨损一般不便直接测量，但可通过外部测量设备来确定其磨损状态。目前，隐马尔可夫族模型(Hidden Markov Models，HMMs)[1-4]、支持向量机[5-6]、人工神经网络等模型[7-8]都可用来描述由设备外部测量结果反映内部退化状态的过程，并被广泛应用于各种设备的退化状态识别。贝叶斯网络是表示不确定性专家知识和推理的一种流行方法，非常适合于表达诊断决策问题。回顾贝叶斯网络在设备故障诊断[9-12]中的应用，多是对于整个复杂设备系统进行的简单故障推理，而没有对具体部件故障与外部观测信息之间的关系进行研究。因此，本文构建了混合高斯输出贝叶斯信念网络模型(Mixture of Gaussians Bayesian Belief Network，MoG-BBN)用于磨损状态识别。模型应用变量消元(Variable Elimination，VE)算法求取后验概率，对后验概率需要的参数应用期望最大化(Expectation Maximization，EM)算法进行估计。由于标准的EM算法容易局部收敛，因此本文对算法进行了改进。最后，齿轮磨损实验数据用来对模型进行验证。……