论文泛读： 基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

一、期刊论文概述

1.论文题目： 基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

2.作者： 刘文溢， 刘勤明， 叶春明， 李冠林

3.文献来源： 计算机应用研究

4.发表时间： ２０２１ 年３ 月　

5.创新点： 提出了一种以似幂关系加速退化为核心的ＤＧＨＭＭ，较常规指数式加速退化而言，能更加准确地描述设备性能随役龄增加而逐渐加速下降的过程。

二、基础知识：

1.名词简写: 改进退化隐马尔可夫模型（ＤＧＨＭＭ）; 隐马尔可夫模型（ＨＭＭ）; 隐半马尔可夫模型（ ＨＳＭＭ）; EM（Expectation-Maximum）算法也称期望最大化算法; 维特比算法（Viterbi algorithm）是一种动态规划算法,它用于寻找最有可能产生观测事件序列的维特比路径——隐含状态序列

2.HMM模型

ＨＭＭ 模型的表达式可描述为λ ＝ （π，Ａ，Ｂ），模型参数描述如下：

ａ）状态数Ｎ。状态所构成的集合为｛Ｓ１ ，Ｓ２ ，Ｓ３ ，…，ＳＮ －１ ， ＳＮ ｝，在任一时刻ｔ 所处的状态为Ｓｔ∈（ｓ１ ，ｓ２ ，ｓ３ ，…，ｓＮ －１ ，ｓＮ ）。

ｂ）观测数Ｍ。观测所构成的集合为｛θ１ ，θ２ ，θ３ ，…，θＭ －１ ， θＭ ｝，在任一时刻ｔ 状态ｉｔ 产生的观测为ｏｔ ∈（θ１ ，θ２ ，θ３ ，…， θＭ －１ ，θＭ ）。

ｃ）初始状态概率分布π ＝ （π１ ，π２ ，π３ ，…，πＮ －１ ，πＮ ），其中所有概率之和为１，初始概率向量的意义为ＨＭＭ 开始时，即ｔ ＝１ 时，模型处于第ｎ（ｎ∈（１，２，３，…，Ｎ －１，Ｎ））个状态的概率。

ｄ）状态转移矩阵Ａ。Ａ 是一个的矩阵，Ａ ＝ ［αｉｊ ］Ｎ ×Ｎ ，αｉｊ 为从状态ｉ 转移到状态ｊ 的概率，即αｉｊ ＝ Ｐ（Ｓｔ ＋１ ＝ ｊ ｜Ｓｔ ＝ ｉ）且ΣＮｊ ＝１αｉｊ ＝１，ΣＮｊ ＝１αｉｊ ＝１（ｉ，ｊ∈（１，２，３，…，Ｎ －１，Ｎ））。

ｅ）观测概率分布Ｂ。Ｂ ＝ ［ｂｊ （Ｋ）］Ｎ ×Ｍ ，其中ｂｊ （Ｋ） ＝ Ｐ（Ｏｔ ＝θＫ ｜Ｓｔ ＝ｊ）（ｊ∈（１，２，３，…，Ｎ），Ｋ∈（１，２，３，…，Ｍ））且ΣＭｋ ＝１ｂ（ｋ） ＝１。

三、重要方法及应用

1.研究方法

    采用了全局搜索能力更强的遗传算法进行ＤＧＨＭＭ的参数估计。

    在近似算法以及Viterbi 算法基础上提出一种预测剩余状态的新方法-贪婪近似法。

2.研究方法在论文中的运用

    引入退化因子描述设备衰退过程，提出的似幂关系加速退化较常规指数式加速退化而言，能更好地描述设备服役期间随着役龄增加性能的逐步下降。其次，以全局搜索能力相对较强的改进遗传算法代替常规ＥＭ 算法进行参数估计，克服了ＥＭ 算法易陷入局部最优的局限性。

    同时，针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题，提出了一种以近似算法与Ｖｉｔｅｒｂｉ 算法为基础的贪婪近似法，以寻求最大概率剩余观测为目的，动态地寻求最大概率剩余状态路径，对设备剩余寿命进行预测。最后，通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价。

四、思考与启发

1.ＨＳＭＭ 本身依赖于先验分布，从而不可避免地存在一定程度的主观性特征。

2.提出的贪婪近似法一定程度上打破了常规隐马尔可夫模型时间上必须服从指数分布的束缚，能够近似地对设备的剩余寿命进行预测。