改进隐马尔科夫模型的地面装备退化状态识别

摘要

传统隐马尔科夫模型(HMM)解决地面装备中关键设备退化状态识别问题时,在学习训练过程中参数容易局部收敛导致识别精度较低,针对这一问题,提出一种基于自适应粒子群优化的改进HMM算法。在基础粒子群算法中加入惯性权重因子,并根据算法迭代结果对算法各因子大小进行动态控制,增强该算法的全局搜索能力。改进后的粒子群算法融入HMM模型训练过程参数学习的优化过程,能够提高HMM的训练精度。将其应用到地面装备中油机电站的退化状态识别当中,对实测振动数据进行分析,与标准算法相比,发现所提算法对油机处于不同退化状态的分类准确率都有所提升,整体识别精度达到96.4%。结果表明,基于自适应粒子群优化的HMM退化状态识别方法能够有效解决传统模型的局部收敛问题。