陈　玄，陈跃鹏，龙作琎，张　宪，成　舟

(武汉理工大学 自动化学院，湖北 武汉 430070)



基于SVM-HMM轴承故障诊断方法

陈玄，陈跃鹏，龙作琎，张宪，成舟

(武汉理工大学 自动化学院，湖北 武汉 430070)

摘要：基于支持向量机和隐马尔可夫模型的诊断,提出了一种新的轴承故障诊断方案。结合SVM的分类能力和HMM的动态时间序列处理能力，通过sigmod函数和高斯模型，将支持向量机的输出信号转化成后验概率的形式，再引入HMM模型隐状态的观测概率，通过AR参数建立诊断的特征向量，从而提高轴承故障诊断精度。该方案的实验数据是通过小波分析提取自轴承的高频共振振动信号。

关键词：SVM-HMM模型；故障诊断；轴承

作为对动态时间序列可进行分类的概率学习模型，隐马尔可夫模型(hidden markov model，HMM)可以通过潜变量模拟动态变化行为。支持向量机是一种基于小样本的概率学习方法,具有较高的计算效率和良好的泛化能力，可以在训练样本较小的情况下分类数据。根据各自的优势，HMM和SVM在滚动轴承方面均有较成功的应用。笔者研究主要是将支持向量机的输出转化到HMM的观测概率矩阵模型，并建立动态过程的时间序列分类器，最后证实该方案在轴承故障诊断的有效性。

1SVM-HMM模型

1.1HMM模型

HMM模型是一种具有严密的数学结构和精确算法的双重结构随机统计模型。其理论基础在1970年左右由BAUM等提出，且于20世纪80年代开始应用于语音识别领域。HMM已成为语音识别的主流数学工具并取得了显著成果[1]。在HMM的双重随机过程中，一个是描述状态与观察值之间的统计对应关系，由B描述；……