论文部分内容阅读
与传统的隐Markov模型（HMM）相比较而言，应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点，而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题，引入动态贝叶斯网络这一新的方法，由于该方法可以有效地降低模型的计算复杂度并缩短推理时间，所以将HHMM表达为动态贝叶斯网络，利用预处理的振动信号对设备的健康状态进行识别；针对现有状态分类方法的局限性，提出了基于K均值算法和交叉验证方法相结合的状态数优化方法；以齿轮箱全寿命实验为依据，对该模型实现状态识