夏荣耀 孟 静 薛云灿 胡 勇

（1.河海大学物联网工程学院；2.无锡机电高等职业技术学校；3.荣托昆普（无锡）科技有限公司）

球磨机是物料粉碎的重要设备，传统的球磨机故障诊断一般采用静态诊断法，通过经验来判断，但是随着自动化科学的不断发展，传统诊断方法的缺陷凸显。隐马尔可夫模型（Hidden Markov Model，HMM）是应用较为广泛的生成模型，最早应用于语音识别和自然语言处理中［1］。

由于HMM的随机性和无后向性，在故障诊断识别中的应用越来越广泛。PAITHANKAR等［2］针对HMM存在假设特定的统计分布函数来拟合故障时间数据的局限性，提出了一种基于神经网络和遗传算法的混合数据驱动方法，用于故障时间预测。LIU等［3］针对有轨电车燃料电池各种健康状态的故障分类问题，提出了一种基于K均值聚类的离散HMM故障诊断策略，有效区分燃料电池的状态。程晓龙［4］利用HMM解决齿轮箱故障分类的问题。薛红涛等［5］利用基于Weibull分布模型和HMM的混合模型对轮毂电机机械进行了故障诊断，有效监控轮毂电机的状态。

本文针对HMM中算法随机初始化参数导致算法不稳定的问题，引入蝙蝠算法［6］对其进行改进，并提出了一种动态自适应方法［7］用以改善标准蝙蝠算法易陷入局部极值的情况；将改进的蝙蝠算法与HMM结合得到基于动态自适应蝙蝠算法的隐马尔可夫模型，将其应用于球磨机的故障诊断中，以提高HMM的识别准确率。

1 HMM基本理论和算法

HMM模型是关于时序的概率模型，具有双随机性的过程，分为可观测随机序列和隐式状态序列。……