小波相關(guān)排列熵和HMM 在故障預(yù)測中的應(yīng)用＊

馮輔周，司愛威，江鵬程

（裝甲兵工程學(xué)院機(jī)械工程系，北京 100072）

引 言

機(jī)械系統(tǒng)的大部分故障都不是瞬時發(fā)生的，而是漸進(jìn)性的，其故障演變往往經(jīng)歷發(fā)生、發(fā)展直至惡化的過程，而且有征兆可尋。統(tǒng)計表明裝備機(jī)械系統(tǒng)的大部分故障是具有時間依存性的、可預(yù)知的趨勢性故障，采用科學(xué)有效的故障預(yù)測方法往往能夠揭示故障的發(fā)展變化，有利于避免設(shè)備惡性事故和繼發(fā)性事故的發(fā)生。

故障預(yù)測包括3個重要環(huán)節(jié)：特征提取、退化狀態(tài)識別和剩余壽命或故障概率預(yù)測。其中，特征提取是故障預(yù)測的關(guān)鍵技術(shù)，直接關(guān)系到退化狀態(tài)識別的準(zhǔn)確性和故障預(yù)測的精度。然而，在故障發(fā)生前系統(tǒng)發(fā)展變化的特征信息是一種早期故障信息，其具有的弱信息特征導(dǎo)致信噪比較低，在故障預(yù)測中有用信息往往被復(fù)雜系統(tǒng)的時變、非線性運(yùn)行特征、工況和負(fù)載變化、環(huán)境干擾和測試系統(tǒng)噪聲等非故障信息所淹沒，如何從強(qiáng)噪聲背景中提取微弱特征信號，是該領(lǐng)域研究的一個熱點(diǎn)和難點(diǎn)。

目前，對于微弱信號的檢測還沒有一種特別有效的方法。自從Donoho等提出了小波閾值去噪方法后［1］，小波分析便廣泛應(yīng)用于微弱信號檢測，但在實(shí)際應(yīng)用中效果并非十分理想。而且Donoho提出的硬閾值和軟閾值方法中均有一定的缺陷：在硬閾值方法中，由于閾值函數(shù)在所取的閾值處不連續(xù)，用該方法得到的小波系數(shù)對信號進(jìn)行重構(gòu)時會引起波動；由軟閾值方法得到的小波系數(shù)雖然連續(xù)，但這些系數(shù)與實(shí)際信號經(jīng)小波分析得到的系數(shù)存在誤差，這就直接影響著重構(gòu)信號與真實(shí)信號的逼近程度。有學(xué)者利用小波多分辨率分析的特點(diǎn)［2，3］，對微弱信號進(jìn)行處理，在強(qiáng)背景噪聲下顯現(xiàn)并增強(qiáng)信號的目標(biāo)特性，提高信噪比。但當(dāng)信號非常微弱時，信號經(jīng)小波分析處理后，有用信號分量的功率仍然小于噪聲信號分量功率，甚至有可能仍然相當(dāng)微弱，比噪聲小幾個數(shù)量級甚至被噪聲淹沒，或者在某些特定場合下噪聲特性與白噪聲特性不符合，使得利用小波變換降噪受到限制。同時，當(dāng)噪聲頻率與信號頻率接近或重合時，抑制噪聲的同時，有用信號往往也不可避免地受到損害，這極大影響了微弱信號的檢測。

針對這一問題，本文基于小波熵理論的基本思想，引入濾波效果良好的小波相關(guān)濾波法和對信號微弱變化特征敏感的排列熵算法，定義了一種新的小波熵概念——小波相關(guān)排列熵（wavelet correlation permutation entropy，WCPE），進(jìn)而提出了一種基于小波相關(guān)排列熵的特征提取新方法。試驗(yàn)表明，該方法能有效地表征軸承早期故障特征。

另外，傳統(tǒng)的故障預(yù)測方法停留在靜態(tài)觀測的基礎(chǔ)上，僅取某一時刻的特征信息進(jìn)行比較分析，這往往忽視了故障發(fā)生前后的關(guān)聯(lián)信息，沒有揭示系統(tǒng)潛在狀態(tài)所發(fā)生的變化特征，因而也難于對故障的發(fā)生和發(fā)展做出準(zhǔn)確預(yù)測。

隱馬 爾 可 夫 模 型 （Hidden Markov Model，HMM）是一種動態(tài)模式識別工具，適用于動態(tài)過程時間序列建模并具有較強(qiáng)的時序模式分類能力，而且特別適用于非平穩(wěn)、重復(fù)再現(xiàn)性不佳的信號分析。本文引入HMM，結(jié)合基于小波相關(guān)排列熵的特征提取方法，探討其應(yīng)用于機(jī)械系統(tǒng)故障預(yù)測的技術(shù)和方法。試驗(yàn)結(jié)果表明該方法能有效地識別系統(tǒng)的退化狀態(tài)，并能準(zhǔn)確地預(yù)測故障發(fā)生的概率。

1 小波相關(guān)排列熵特征提取方法

1．1 小波相關(guān)濾波法原理

小波相關(guān)濾波法降噪的基本思想是基于小波分解后相鄰層系數(shù)的相關(guān)性，相鄰分解層的小波系數(shù)直接相乘后，突變信號分量會得到增強(qiáng)，而噪聲信號分量變得更加微弱，利用閾值檢驗(yàn)，從噪聲中檢出重要的信號邊緣，并移除噪聲，使得信號的信噪比大大提高［4，5］。小波相關(guān)濾波方法具有容易實(shí)現(xiàn)和魯棒性好等特點(diǎn)，可以應(yīng)用于在線監(jiān)測與診斷系統(tǒng)進(jìn)行實(shí)時信息處理。

直接將信號小波變換系數(shù)值在幾個分解層次上進(jìn)行相關(guān)運(yùn)算（記為Cl（m，n）），可以相當(dāng)準(zhǔn)確地確定信號邊緣或其他重要特征的位置。

式中W表示信號的小波變換，m表示分解層數(shù)，N表示離散信號的點(diǎn)數(shù)，n表示時間，l表示直接相乘所包含的層數(shù)。若M表示總的分解層數(shù)，則應(yīng)該有m＜M－l＋1。當(dāng)某個局部存在信號邊緣或其他重要特征時，這種方法可以將背景噪聲除去。直接將信號數(shù)據(jù)進(jìn)行尺度空間相關(guān)，將銳化和增強(qiáng)信號的主要邊緣，同時噪聲和次要邊緣將被壓縮。小波相關(guān)濾波法的具體計算過程可參考文獻(xiàn)［6］。

1．2 排列熵理論

排列熵（Permutation Entropy，PE）是近年來新興的一門研究自然界中的不規(guī)則性以及非線性系統(tǒng)的算法，它可以將以前不能定量描述或是很難定量描述的復(fù)雜系統(tǒng)用一種較為簡便的方法描述出來。排列熵反映了一維時間序列復(fù)雜度，對信號變化具有較高的敏感性，可以很好地放大系統(tǒng)的微變信號，同時檢測出復(fù)雜系統(tǒng)的動力學(xué)突變［7］。由于系統(tǒng)設(shè)備在即將發(fā)生異?；蚬收蠒r，其非線性因素的影響是不同的，所表現(xiàn)的信號復(fù)雜性也會不一樣。因此，利用排列熵進(jìn)行早期故障診斷是可行的。

排列熵的大小表示時間序列｛X（i），i＝1，2，…，n｝的隨機(jī)程度：排列熵的值越小，說明時間序列越規(guī)則，反之，則時間序列越接近隨機(jī)。排列熵的變化反映并放大了時間序列的微小細(xì)節(jié)變化。排列熵的具體計算方法可參考文獻(xiàn)［8］。

1．3 小波相關(guān)排列熵原理

當(dāng)機(jī)械系統(tǒng)發(fā)生早期故障時，故障信息微弱，信噪比較低，直接進(jìn)行小波分解無法提取出微弱的故障信息。小波相關(guān)濾波法不僅可以對目標(biāo)信號有效降噪，而且不會有分辨率的損失。因此，采用小波相關(guān)濾波法可以提取信號微弱的故障特征信息，得到信噪比較高的各層重構(gòu)信號?；谏鲜鲂〔乩碚摵蛯ν蛔冃盘栕兓舾械呐帕徐厮惴?，對小波相關(guān)濾波處理后的各頻段重構(gòu)信號進(jìn)行排列熵分析，即可得到各頻段信號的排列熵復(fù)雜度，由此來識別機(jī)械系統(tǒng)的運(yùn)行狀態(tài)。

信號x（n）經(jīng)過小波相關(guān)濾波降噪處理后，得到各分解層次下較高信噪比的高頻系數(shù)：Dj｛dj（k），k＝1，2，…，N，j＝1，2，…M｝和低頻系數(shù)C，它們分別包含了信號從高頻到低頻不同頻帶的信息，體現(xiàn)了不同分解層次下局部特征的直觀估計。為了定量描述各頻段小波系數(shù)所包含的故障特征信息，還需從得到的各層小波系數(shù)中提取反映設(shè)備運(yùn)行狀態(tài)的特征參數(shù)，有利于系統(tǒng)運(yùn)行狀態(tài)的分析和識別。在此可以把小波相關(guān)濾波降噪處理后的得到的各層小波系數(shù)Dj（j＝1，2，…，m，m＋1）看成對信號x（n）的一種劃分，定義這種劃分的測度為

式中dF（j）（k）為dj（k）的傅里葉變換。

借鑒小波熵的基本思想，定義小波相關(guān)排列熵為：將pj（k）進(jìn)行相空間重構(gòu)，按上述排列熵算法，依次求取經(jīng)小波相關(guān)濾波后各層的排列熵值。

1．4 小波相關(guān)排列熵特征提取步驟

根據(jù)上述小波排列熵的計算方法，結(jié)合振動信號特征提取的實(shí)際需求，可總結(jié)基于小波相關(guān)排列熵的特征提取步驟如圖1所示。

圖1 小波相關(guān)排列熵特征提取步驟Fig．1 Feature extraction approach of WCPE

首先是對信號進(jìn)行m層離散小波分解，得到各層的小波系數(shù)Dj＝｛dj（k），j＝1，2，…，m，m＋1｝，并對各層小波系數(shù)分層進(jìn)行重構(gòu)；然后，利用小波相關(guān)濾波法對各層小波重構(gòu)后的信號進(jìn)行逐層降噪處理，得到信噪比較高的各層分量；之后，在依據(jù)式（2）對降噪后的各層分量進(jìn)行歸一化處理的基礎(chǔ)上，選取合適的嵌入維數(shù)和延遲時間，對其進(jìn)行分層相空間重構(gòu)，得到各層分量的相空間矩陣；最后，依據(jù)排列熵算法計算出各層分量的小波相關(guān)排列熵值Wp為

2 HMM的基本理論和算法改進(jìn)

HMM是一個雙重隨機(jī)過程，不僅狀態(tài)之間的轉(zhuǎn)移是隨機(jī)的，而且每個狀態(tài)的觀測符號也是隨機(jī)的。模型中真實(shí)的狀態(tài)是“隱藏的”，不能直接觀測，只能通過觀測矢量感知它的存在。機(jī)械系統(tǒng)故障演化過程通常經(jīng)歷正常、性能下降、故障、失效等幾個健康狀態(tài)衰退階段，這些健康狀態(tài)衰退過程在實(shí)際中一般不能直接觀察到，能觀測到的只是系統(tǒng)表現(xiàn)出來的性能或狀態(tài)征兆，即系統(tǒng)故障衰退健康狀態(tài)要通過其表現(xiàn)來感知，這和HMM在本質(zhì)上是相通的。而且HMM可以較好地描述隱藏狀態(tài)與觀測狀態(tài)間的關(guān)聯(lián)關(guān)系。HMM可表示為

式中λ為初始概率分布矢量，A為狀態(tài)轉(zhuǎn)移概率矩陣，B為觀察值概率矩陣。圖2可以清晰地表示出一個左右型HMM的基本結(jié)構(gòu)。

圖2 左右型HMM拓?fù)浣Y(jié)構(gòu)圖Fig．2 Framework chart of right－and－left HMM

圖2中第1行圓圈表示觀測不到的隱狀態(tài)；第2行圓圈表示可觀測到的觀測變量。其中π，A和B為 HMM 的3個基本參數(shù)，｛o1，o2，…，oT｝為觀測序列，它由狀態(tài)序列｛q1，q2，…，qT｝按觀測矩陣B產(chǎn)生；｛q1，q2，…，qT｝被稱為狀態(tài)路徑，其各狀態(tài)間的依賴關(guān)系是由轉(zhuǎn)移矩陣A決定。模型中的初始向量π決定初始時刻系統(tǒng)所處的狀態(tài)。

針對HMM的概率計算、最優(yōu)狀態(tài)序列選擇和模型訓(xùn)練（參數(shù)估計）等3個問題，通常對應(yīng)有前向后向算法、Viterbi算法和Baum－Welch算法來解決［9］。而參數(shù)估計在HMM的應(yīng)用中占有舉足輕重的地位。傳統(tǒng)的Baum－Welch算法（BW）雖然可以確保似然值單調(diào)上升，且該算法具有收斂性，但是該算法存在收斂速度較慢，數(shù)值運(yùn)算困難等缺點(diǎn)，而且容易陷入局部最優(yōu)。因此尋求更好的參數(shù)估計方法具有十分重要的意義。本文從優(yōu)化角度出發(fā)，將遺傳算法引入HMM的參數(shù)估計中。

HMM的參數(shù)估計就是根據(jù)極大似然準(zhǔn)則尋找合適的模型參數(shù)λ，使得輸出概率P（O｜λ）取得最大值，該過程中還存在約束條件

因而，最大化P（O｜λ）其實(shí)就是一個帶有約束的優(yōu)化問題，基于此，本文采用基于懲罰策略的遺傳算法來處理這個問題。首先，定義一個模型參數(shù)λ違反約束程度的量

式中M1和M2為極大正數(shù)。

然后，可以確定適應(yīng)度函數(shù)為然后即可運(yùn)用遺傳算法進(jìn)行HMM參數(shù)估計。

3 故障預(yù)測模型的建立

基于以上的分析，本文建立了基于HMM的預(yù)測模型框架，如圖3所示。

整個預(yù)測流程為：首先提取歷史觀測數(shù)據(jù)的特征信息輸入HMM模型，并用HMM的參數(shù)估計方法分別訓(xùn)練各個退化狀態(tài)識別模型以及全壽命模型，然后就可以提取當(dāng)前觀測數(shù)據(jù)的特征信息并輸入到訓(xùn)練好的各個退化狀態(tài)識別模型，根據(jù)最大似然概率值即可判斷當(dāng)前觀測數(shù)據(jù)代表的退化狀態(tài)，同時結(jié)合全壽命狀態(tài)轉(zhuǎn)移概率矩陣即可計算當(dāng)前退化狀態(tài)下故障發(fā)生的概率。

圖3 基于WCPE和HMM的預(yù)測模型框架Fig．3 Framework of prognostic model based on WCPE and HMM

4 實(shí)例分析

4．1 數(shù)據(jù)來源及分析

為驗(yàn)證該方法的有效性，選取來自美國NSFI／UCR智能維護(hù)系統(tǒng)中心（IMS）的軸承振動數(shù)據(jù)進(jìn)行分析［10］。試驗(yàn)時，在一個軸上安裝了4個軸承，軸的轉(zhuǎn)速固定在 2 000r／min，6 000 1b（約等于26 671N）徑向載荷用彈性系統(tǒng)加載在軸和軸承上，每個軸承上安裝2個美國PCB公司生產(chǎn)的353B33型高靈敏度ICP加速度傳感器（一個水平方向，一個垂直方向）。

本文的數(shù)據(jù)采用了該試驗(yàn)的第2次的測試數(shù)據(jù)，其采樣頻率為20kHz，每個文件包含20 480個數(shù)據(jù)點(diǎn)，每10min記錄一個文件，該次試驗(yàn)共采集了984個文件，即試驗(yàn)持續(xù)了164h）。試驗(yàn)結(jié)束之后，發(fā)現(xiàn)軸承1發(fā)生外圈磨損失效，這說明該試驗(yàn)記錄了軸承1的全壽命數(shù)據(jù)。圖4示出了軸承1垂直方向傳感器采集的各文件數(shù)據(jù)的均方根值Xrms的趨勢圖。

圖4 軸承1垂直方向振動信號均方根值趨勢圖Fig．4 RMStrend chart of bearing 1vibration signal on vertical direction along the time

從圖4可以看出，在118．0h之前，軸承1運(yùn)行比較平穩(wěn)；當(dāng)軸承1運(yùn)行至118．0h時，其振動信號出現(xiàn)微小的跳變，說明軸承已經(jīng)開始出現(xiàn)異常；118．0～160．0h，振動信號在上下波動，但波動幅度不大，說明軸承在帶故障運(yùn)行，但故障不太嚴(yán)重；當(dāng)軸承1運(yùn)行超過160．0h，其振動信號出現(xiàn)劇烈變化，并在163．3h其均值達(dá)到最大值，此時軸承已出現(xiàn)嚴(yán)重故障，達(dá)到其壽命極限。

另外，從圖4可以看出，基于振動信號特征值的趨勢分析雖然能夠大致反映軸承運(yùn)行的全壽命過程，但其發(fā)生早期輕微故障時（118．0～160．0h），信號反映的特征非常微弱；而且如果在實(shí)際應(yīng)用的復(fù)雜機(jī)械系統(tǒng)中，特征信號更容易淹沒在各種噪聲的干擾之中，這就導(dǎo)致在故障發(fā)生的早期，檢測和發(fā)現(xiàn)故障非常困難；而當(dāng)特征信號表現(xiàn)明顯（超過160．0 h）被發(fā)現(xiàn)的時候，故障已相當(dāng)嚴(yán)重，而且此時留給維護(hù)人員做出維修決策的時間又非常短暫，往往會導(dǎo)致設(shè)備被迫停車或嚴(yán)重?fù)p壞的后果，損失將不可估量。

4．2 特征提取

為驗(yàn)證小波相關(guān)排列熵特征提取算法在早期故障診斷中的有效性，用該算法對上述軸承原始振動數(shù)據(jù)進(jìn)行分析。對每個文件的數(shù)據(jù)按照基于小波相關(guān)排列熵的特征提取步驟依次求取其小波相關(guān)排列熵值，其中小波分解層數(shù)為4層，由于Daubechies系列小波正交、緊支，對不規(guī)則信號較為敏感，同時依據(jù)文獻(xiàn)［11］的方法選用db4小波基函數(shù)進(jìn)行小波分解。排列熵計算時分別利用互信息法和偽近鄰法選取嵌入維數(shù)為d＝5［12］，延遲時間為τ＝4。同時，為減少計算量，計算每個文件數(shù)據(jù)各層的排列熵時，將總長為20 480的數(shù)據(jù)分為20段，每段1 024點(diǎn)分別求其排列熵值，然后求這20個排列熵值的均值作為該文件數(shù)據(jù)該層的排列熵。圖5示出了軸承1振動信號第一層小波相關(guān)排列熵的變化趨勢圖。

圖5 軸承1振動信號第一層小波相關(guān)排列熵的趨勢圖Fig．5 The first layer WCPE trend chart of bearing 1vibration signal along the time

從圖5中可以看出：當(dāng)軸承運(yùn)行至86．8h，第一層小波相關(guān)排列熵值開始跳變，而且變化幅度較大，趨勢明顯，即振動信號的小波相關(guān)排列熵可以檢測出軸承的早期故障，而且其檢出時間比用均方根值特征檢測提前了31．2h。同時也表明了小波相關(guān)排列熵算法對微弱信號特征提取的有效性。

為了進(jìn)行比較，這里直接選取軸承1垂直方向振動信號進(jìn)行排列熵分析，其中數(shù)據(jù)分段方法與前文相同。軸承1時域振動信號的排列熵分析結(jié)果如圖6所示。

圖6 軸承1振動信號的排列熵趨勢圖Fig．6 PE trend chart of bearing 1vibration signal along the time

從圖6中可以看出，時域信號的排列熵特征值也能反映滾動軸承運(yùn)行的全壽命過程，但對比圖5和6，可以明顯看出，經(jīng)這兩種算法提取的特征向量檢測出軸承狀態(tài)開始變化的時間是不同的，即小波相關(guān)排列熵算法提取的特征向量較早地檢測到了軸承的早期故障，而且比排列熵算法提前了6．7h。值得說明的是，該軸承振動數(shù)據(jù)是在大載荷、高轉(zhuǎn)速的加速壽命試驗(yàn)的條件下采集的，如果是在實(shí)際正常條件下運(yùn)行，提前的時間將會更長。

4．3 退化狀態(tài)模型訓(xùn)練及識別

為實(shí)現(xiàn)軸承的退化狀態(tài)識別并最終實(shí)現(xiàn)故障預(yù)測，就要分別建立各退化狀態(tài)的HMM以及整個全壽命數(shù)據(jù)的HMM，根據(jù)文獻(xiàn)［13］算法的分析，該軸承振動數(shù)據(jù)的最佳退化狀態(tài)數(shù)為6（其中包含1個正常狀態(tài)、4個退化狀態(tài)和1個故障狀態(tài)）。因此，確定訓(xùn)練退化狀態(tài)模型數(shù)為6個，分別為HMM1（λ1），HMM2（λ2），…，HMM6（λ6）。

選用上一節(jié)提取的軸承振動數(shù)據(jù)的小波相關(guān)排列熵作為特征信息點(diǎn)進(jìn)行退化狀態(tài)的識別和故障預(yù)測。從圖4可以看出，當(dāng)軸承運(yùn)行超過120h（720個文件記錄）時，已處于嚴(yán)重故障狀態(tài)，因此這里僅選取前120h的特征信息作為模型訓(xùn)練和檢測的依據(jù)。將720個小波相關(guān)排列熵特征點(diǎn)劃分為120個樣本（每小時一個樣本），每個樣本6個特征點(diǎn)，即觀測值數(shù)為6。其中，前1～80樣本為正常狀態(tài)的80個樣本，81～88為退化狀態(tài)1的8個樣本，89～96為退化狀態(tài)2的8個樣本，97～104為退化狀態(tài)3的8個樣本，105～112為退化狀態(tài)4的8個樣本，113～120為故障狀態(tài)的8個樣本。同時，選取每個狀態(tài)前一半樣本作為訓(xùn)練樣本，后一半作為測試樣本。

HMM的一個重要參數(shù)就是馬爾可夫鏈的狀態(tài)數(shù)，它描述了狀態(tài)的轉(zhuǎn)移，直接影響模型的性能。本文選取ADC準(zhǔn)則來確定各退化狀態(tài)HMM的馬爾可夫鏈的狀態(tài)數(shù)。通過計算，最佳狀態(tài)數(shù)為5（詳細(xì)可參考文獻(xiàn)［14］）。因此采用5狀態(tài)HMM初始化模型。因初始狀態(tài)轉(zhuǎn)移矩陣和初始觀測值概率矩陣對離散HMM訓(xùn)練影響較小，這里采用等概率方式產(chǎn)生。分別采用BW算法和GA算法對各退化狀態(tài)模型進(jìn)行訓(xùn)練，同時設(shè)定訓(xùn)練過程中最大迭代步數(shù)和進(jìn)化代數(shù)為100。用遺傳算法訓(xùn)練時，種群大小設(shè)為40，最大進(jìn)化代數(shù)設(shè)為100，交叉概率設(shè)為0．8，變異概率設(shè)為0．02。圖7示出了分別用BW算法和GA算法訓(xùn)練正常狀態(tài)模型時，各自的相對誤差隨迭代次數(shù)（進(jìn)化代數(shù)）變化的趨勢圖。

圖7 BW算法和GA算法訓(xùn)練誤差變化趨勢圖Fig．7 Training error trend chart of BW and GA

從圖7可以看出，使用GA算法訓(xùn)練時的誤差曲線明顯比使用GA算法訓(xùn)練時的誤差曲線平滑，而且BW算法的訓(xùn)練誤差曲線存在明顯的“平坦區(qū)”，這說明BW算法更容易陷入局部最優(yōu)。同時使用GA算法訓(xùn)練模型時，進(jìn)化代數(shù)達(dá)到29時即可收斂，而BW算法需要43步，即GA算法具有更好的收斂速度。另外，使用GA算法收斂時的相對誤差要遠(yuǎn)低于使用BW算法收斂時的相對誤差，表明GA算法具有更好的估計精度。

在各退化狀態(tài)HMM模型訓(xùn)練完畢之后，選取測試樣本進(jìn)行退化狀態(tài)的識別。識別時，同樣將每個測試樣本分別輸入到6個訓(xùn)練好的退化狀態(tài)模型CHMM1（λ1），CHMM2（λ2），…，CHMM6（λ6）中求其各自的輸出概率，輸出概率最大的模型所對應(yīng)的退化狀態(tài)即代表該測試樣本的識別結(jié)果。識別結(jié)果表明：正常狀態(tài)、退化狀態(tài)1～4和故障狀態(tài)的測試樣本識別正確率分別為90%，75%，100%，100%，100%和100%。因此，可計算6個退化狀態(tài)模型的總體識別率為93．3%，識別效果比較理想。

另外，本文選取了BP神經(jīng)網(wǎng)絡(luò)和SVM模型，利用和HMM相同的訓(xùn)練樣本和測試樣本進(jìn)行訓(xùn)練和識別，其中BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為6，輸入層節(jié)點(diǎn)數(shù)為3，隱含層節(jié)點(diǎn)數(shù)為13，最大迭代次數(shù)為1 000，誤差精度為0．001；SVM 模型采用徑向基核函數(shù)，并選用“1對1”的多類分類算法。結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)的識別率正確率為78．3%，而SVM模型的識別率正確率為86．7%。因此，HMM的識別效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM模型。

4．4 全壽命模型訓(xùn)練及故障預(yù)測

因軸承的整個全壽命過程可分為6個運(yùn)行狀態(tài)，在此全壽命預(yù)測模型將采用6狀態(tài)HMM進(jìn)行訓(xùn)練。為保證訓(xùn)練數(shù)據(jù)的覆蓋性和訓(xùn)練效果，按照各退化狀態(tài)數(shù)據(jù)交叉組合的原則，通過前文用到的720個小波相關(guān)排列熵特征點(diǎn)構(gòu)建48個訓(xùn)練樣本，每個樣本包含6個數(shù)據(jù)點(diǎn)，分別對應(yīng)6種退化狀態(tài)。其中，正常狀態(tài)的480個特征點(diǎn)中每10點(diǎn)選取第1點(diǎn)作為一個訓(xùn)練樣本的第一個觀測值，退化狀態(tài)1～4和故障狀態(tài)分別包含的48個特征點(diǎn)依次選取作為訓(xùn)練樣本的第二、第三、第四、第五和第六個觀測值。

將48個全壽命樣本輸入到全壽命模型中，采用GA算法來訓(xùn)練模型，參數(shù)設(shè)置與退化狀態(tài)模型訓(xùn)練時相同，當(dāng)進(jìn)化代數(shù)達(dá)到37時，模型收斂。此時得到訓(xùn)練后的全壽命模型的狀態(tài)轉(zhuǎn)移矩陣A＊為

在退化狀態(tài)識別和全壽命模型訓(xùn)練完畢的基礎(chǔ)上，即可得出所處狀態(tài)的發(fā)生故障的概率。設(shè)軸承處于正常狀態(tài)和退化狀態(tài)1～4時發(fā)生故障的概率分別為P1，P2，P3，P4和P5，則可計算如下

分析式（9）可知，軸承在正常狀態(tài)發(fā)生故障概率較小，而一旦進(jìn)入退化狀態(tài)，其故障概率就隨之不斷增大，這也與機(jī)械系統(tǒng)的退化規(guī)律相吻合。

在獲取處于各退化狀態(tài)時發(fā)生故障概率的基礎(chǔ)上，結(jié)合新樣本退化狀態(tài)的識別結(jié)果，即可得到新樣本所處狀態(tài)發(fā)生故障的概率。

5 結(jié) 論

（1）軸承振動信號小波相關(guān)排列熵特征能有效地表征軸承的運(yùn)行狀態(tài)，并較好地檢測出軸承故障早期的微弱變化；

（2）基于小波相關(guān)排列熵和HMM的故障預(yù)測方法能準(zhǔn)確地識別機(jī)械系統(tǒng)的退化狀態(tài)，并有效地預(yù)測故障發(fā)生的概率。

［1］ Donoho D L，Jonnston I M．Adapting to unknown smoothness via wavelet shrinkage［J］．J．Am．Stat．Assoc．，1995，90：1 200—1 224．

［2］ 王仲生，何紅，陳錢．小波分析在發(fā)動機(jī)早期故障識別中的應(yīng)用研究［J］．西北工業(yè)大學(xué)學(xué)報，2006，24（1）：68—71．

Wang Zhongsheng，He Hong，Chen Qian．Exploring effective early identification of aero－engine rotor faults［J］．Journal of Northwestern Polytechnical University，2006，24（1）：68—71．

［3］ Duan Chendong，He Zhengjia，Jiang Hongkai．New method for weak fault feature extraction based on second generation wavelet transform and its application［J］．Chinese Journal of Mechanical Engineering，2004，17（4）：543—547．

［4］ 楊江天，周培鈺．經(jīng)驗(yàn)?zāi)B(tài)分解和Laplace小波在機(jī)車柴油機(jī)齒輪系故障診斷中的應(yīng)用［J］．機(jī)械工程學(xué)報，2011，47（7）：109—115．

Yang Jiangtian，Zhou Peiyu．Fault diagnosis for gear train of locomotive diesel engine based on empirical mode decomposition and Laplace wavelet［J］．Chinese Journal of Mechanical Engineering，2011，47（7）：109—115．

［5］ 曾慶虎，邱靜，劉冠軍．基于小波相關(guān)特征尺度熵的HSMM設(shè)備退化狀態(tài)識別與故障預(yù)測方法［J］．儀器儀表學(xué)報，2008，29（12）：2 559—2 564．

ZENG Qinghu，QIU Jing，LIU Guanjun．Equipment degradation state recognition and fault prognosis method based on wavelet correlation feature scale entropy and HSMM［J］．Chinese Journal of Scientific Instrument，2008，29（12）：2 559—2 564．

［6］ 馮輔周，司愛威，饒國強(qiáng)，等．基于小波相關(guān)排列熵的軸承早期故障診斷技術(shù)［J］．機(jī)械工程學(xué)報，2012，48（13）：73—79．

Feng Fuzhou，Si Aiwei，Rao Guoqiang，et al．Early fault diagnosis technology for bearing based on wavelet correlation permutation entropy［J］．Chinese Journal of Mechanical Engineering，2012，48（13）：73—79．

［7］ 劉永斌，龍潛，馮志華，等．一種非平穩(wěn)、非線性振動信號檢測方法的研究［J］．振動與沖擊，2007，26（12）：131—134．

Liu Yongbin，Long Qian，F(xiàn)eng Zhihua，et al．Detection method for nonlinear and non－stationary signals［J］．Journal of Vibration and Shock，2007，26（12）：131—134．

［8］ 馮輔周，饒國強(qiáng)，司愛威，等．排列熵算法研究及其在振動信號突變檢測中的應(yīng)用［J］．振動工程學(xué)報，2012，25（2）：221—224．

Feng Fuzhou，Rao Guoqiang，Si Aiwei，et al．Research and application of the arithmetic of PE in testing the sudden change of vibration signal［J］．Journal of Vibration Engineering，2012，25（2）：221—224．

［9］ Bunks C，Mccarthy D．Condition－based maintenance of machines using hidden Markov models［J］．Mechanical Systems and Signal Processing，2000，14：597—612．

［10］Qiu Hai，Lee J，Lin Jing，et al．Wavelet filter－based weak signature detection method and its application on roller bearing prognostics［J］．Journal of Sound and Vibration，2006，289：1 066—1 090．

［11］Yang H T，Liao C C．A de－noising scheme for enhancing wavelet－based power quality monitoring systems［J］．IEEE Transactions on Power Delivery，2001，16（3）：353—359．

［12］謝忠玉，張立．相空間重構(gòu)參數(shù)選擇方法的研究［J］．中國科技信息，2009，（16）：42—43．

Xie Zhong－yu，Zhang Li．Selection of embedding parameters in phase space reconstruction［J］．China Science and Technology Information，2009，（16）：42—43．

［13］呂克洪．基于時間應(yīng)力分析的BIT降虛警與故障預(yù)測技術(shù)研究［D］．長沙：國防科學(xué)技術(shù)大學(xué)，2008．

Lv Kehong．Research on BIT false alarm reducing and fault prediction technologies based on time stress analysis［D］．Changsha：National University of Defense Technology，2008．

［14］舒曉娟，陳洋波，任啟偉．模型選擇準(zhǔn)則在洪水頻率分析中的應(yīng)用［J］．水利學(xué)報，2010，41（1）：80—85．

Shu Xiaojuan，Chen Yangbo，Ren Qiwei．Model selection criteria for flood frequency analysis［J］．Journal of Hydraulic Engineering，2010，41（1）：80—85．