本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于隱馬爾科夫模型的里程計故障診斷方法。

背景技術(shù)：

HMM(Hidden Markov Model，隱馬爾可夫模型)是一個雙隨機過程，包含兩個隨機過程，其一是隱藏狀態(tài)下從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)的過程，其二是在每個隱藏狀態(tài)下產(chǎn)生觀測值的過程。HMM中包含三種基本算法，每種算法對應(yīng)解決一個基本問題：(1)HMM模型參數(shù)已確定，給出觀察序列，求該觀察序列與模型匹配的概率(評估)；(2)在訓練成功的模型中，搜素產(chǎn)生給定觀察序列的最有可能的隱藏狀態(tài)路徑(解碼)；(3)HMM模型參數(shù)未知，給出訓練序列，通過尋找局部最優(yōu)來生成HMM(學習)。

在里程計(Odometry)的故障診斷中，主要有兩種算法，其一是前向-后向算法，用來解決HMM概率計算問題；其二是Baum-Welch算法，是HMM參數(shù)估計及訓練問題的解決方案。

在隱馬爾科夫模型中，參數(shù)訓練對于最后模型的模式分類效果有很大影響。原隱馬爾科夫模型中的B-W算法中的似然函數(shù)值通過單調(diào)上升收斂最終確定最優(yōu)解，但是B-W算法的確點是收斂速度較慢，數(shù)值運行復雜，而且十分容易將最優(yōu)解取為局部最優(yōu)解的結(jié)果。

技術(shù)實現(xiàn)要素：

本發(fā)明的實施例提供了一種基于隱馬爾科夫模型的里程計故障診斷方法，以實現(xiàn)有效地進行里程計的故障診斷。

為了實現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案。

一種基于隱馬爾科夫模型的里程計故障診斷方法，包括：

提取里程計運行過程中的特征數(shù)據(jù)作為觀測量數(shù)據(jù)，對所述觀測量數(shù)據(jù)進行預處理，該預處理包括幅值歸一化、標量量化處理；

將預處理后的觀測量數(shù)據(jù)輸入到隱馬爾科夫模型中進行訓練，得到車輪的正常、打滑、抱死三種狀態(tài)的隱馬爾科夫模型，建立里程計的故障狀態(tài)分類器；

將待識別的觀測量數(shù)據(jù)輸入到所述里程計的故障狀態(tài)分類器，分別與車輪的各種狀態(tài)的隱馬爾科夫模型進行匹配，根據(jù)匹配結(jié)果確定所述待識別的觀測量數(shù)據(jù)對應(yīng)的車輪的狀態(tài)。

進一步地，所述的提取里程計運行過程中的特征數(shù)據(jù)作為觀測量數(shù)據(jù)，包括：

提取里程計中的累計計數(shù)脈沖輸出的速度測量值v_odo；

其中，n_k為k時刻的脈沖個數(shù)，n_k-1為k上一時刻的脈沖個數(shù)，N為里程計完成一圈之后發(fā)出的脈沖數(shù)，Δt是k時刻到k-1時刻的時間間隔，d為車輪的輪徑；

觀測量數(shù)據(jù)v_observation(t)的計算公式如下：

v_observation(t)＝v_odo(t)-v_real(t)

其中v_real(t)是任一時刻t的列車實際運行速度；

進一步地，所述的對所述觀測量數(shù)據(jù)進行預處理，該預處理包括幅值歸一化、標量量化處理，包括：

利用歸一化函數(shù)mapminmax對所述觀測量數(shù)據(jù)進行幅值歸一化處理，再通過信源編碼技術(shù)中的Lloyds數(shù)據(jù)壓縮算法對幅值歸一化處理后的觀測量數(shù)據(jù)進行標量量化處理。

進一步地，所述的將預處理后的觀測量數(shù)據(jù)輸入到隱馬爾科夫模型中進行訓練，得到車輪的正常、打滑、抱死三種狀態(tài)的隱馬爾科夫模型，建立里程計的故障狀態(tài)分類器，包括：

分別選取車輪的正常、打滑、抱死三種狀態(tài)下的里程計的觀測量數(shù)據(jù)，使用所述觀測量數(shù)據(jù)利用遺傳算法優(yōu)化后的B-W算法訓練隱馬爾科夫模型參數(shù)，得到車輪的正常、打滑、抱死三種狀態(tài)的隱馬爾科夫模型，建立里程計的故障狀態(tài)分類器。

進一步地，所述的遺傳算法包括如下步驟：

(1)對實際問題的參數(shù)集進行編碼；

(2)確定參數(shù)的初始值及各遺傳算子；

(3)令k＝0表示進化代數(shù),并且產(chǎn)生初始化種群X(0)；

(4)選取適應(yīng)度函數(shù)，在每一代中計算適應(yīng)度函數(shù)的值，以適應(yīng)度函數(shù)值作為標準來評判個體是否進入下一代；

(5)與終止條件相比較，如果不符合，令k＝k+1代數(shù)增加一代；

(6)進行選擇操作，基于遺傳算法“適者生存”的基本原則，從當前群體X(k-1)中挑選，舍棄適應(yīng)度低的個體，選擇剩下的個體X(k)進入下一次的迭代過程；

(7)進行交叉操作，基于遺傳算法“信息交換”的基本原則，利用交叉概率P_c，根據(jù)交叉算子對X(k)中的個體進行交叉操作，則下一代中個體信息來自父輩個體；

(8)進行變異操作變異，根據(jù)變異概率Pm隨機選擇X(k)中間群體中的某個個體改變其值；

所述的使用所述觀測量數(shù)據(jù)利用遺傳算法優(yōu)化后的B-W算法訓練隱馬爾科夫模型參數(shù)，包括如下步驟：

(1)待估計參數(shù)：狀態(tài)初始分量π＝(π₁,π₂,...π_N)，概率轉(zhuǎn)移矩陣A＝(a_ij)，觀測向量密度函數(shù)b_j(y)；

(2)適應(yīng)度函數(shù)：適應(yīng)值函數(shù)取為目標函數(shù)，取lnp(Y＝y(tǒng)|X)-Viol(X)為目標函數(shù)；

(3)生成初始種群：參數(shù)π,A等在[0,1]中隨機產(chǎn)生并進行二進制編碼處理，根據(jù)收斂精度確定二進制位數(shù)；

(4)設(shè)定各遺傳算子的值，設(shè)選擇概率P＝0.1，交叉概率P_c＝0.25，變異概率P_m＝0.01；

(5)設(shè)定遺傳算法終止條件，最大迭代次數(shù)取為max_iter＝30，收斂精度ε＝0.0001。

進一步地，所述的將待識別的觀測量數(shù)據(jù)輸入所述里程計的故障狀態(tài)分類器，將待識別的觀測量數(shù)據(jù)分別與車輪的各種狀態(tài)的隱馬爾科夫模型進行匹配，根據(jù)匹配結(jié)果確定所述待識別的觀測量數(shù)據(jù)對應(yīng)的車輪的狀態(tài)，包括：

將待識別的觀測量數(shù)據(jù)輸入所述里程計的故障狀態(tài)分類器，利用前向-后向算法將待識別的觀測量數(shù)據(jù)分別與車輪的正常、打滑、抱死三種狀態(tài)的隱馬爾科夫模型進行匹配，得到三種狀態(tài)的隱馬爾科夫模型分別對應(yīng)的匹配值，將三個匹配值進行比較，將最大的匹配值對應(yīng)的正常狀態(tài)、打滑狀態(tài)或者抱死狀態(tài)作為所述待識別的觀測量數(shù)據(jù)對應(yīng)的車輪的狀態(tài)。

由上述本發(fā)明的實施例提供的技術(shù)方案可以看出，本發(fā)明將隱馬爾科夫方法引入列控定位子系統(tǒng)的ODO故障診斷中，通過大量的數(shù)據(jù)統(tǒng)計分析提煉出可以表征ODO故障的特征量，并利用幅值歸一化及標量量化的方法將數(shù)據(jù)處理成HMM的輸入數(shù)據(jù)，通過50組數(shù)據(jù)的統(tǒng)計分析，結(jié)果表明了HMM對于ODO故障診斷的有效性。并通過遺傳算法對HMM中的參數(shù)訓練部分進行改進并與B-W算法比較，經(jīng)過仿真對比，在訓練速度上遺傳算法可以較快地到達穩(wěn)態(tài)，且訓練精度提高了86％，均有相應(yīng)改善，證明了遺傳算法對于參數(shù)訓練改造的有效性。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種HMM的基本組成示意圖；

圖2為本發(fā)明實施例提供的HMM故障診斷流程圖；

圖3為本發(fā)明實施例提供的遺傳算法的計算流程圖；

圖4為本發(fā)明實施例提供的HMM訓練模型曲線；

圖5為本發(fā)明實施例提供的正常狀態(tài)下遺傳算法改進后的訓練曲線；

圖6為本發(fā)明實施例提供的改進后HMM與HMM訓練曲線對比示意圖。

具體實施方式

下面詳細描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式“一”、“一個”、“所述”和“該”也可包括復數(shù)形式。應(yīng)該進一步理解的是，本發(fā)明的說明書中使用的措辭“包括”是指存在所述特征、整數(shù)、步驟、操作、元件和/或組件，但是并不排除存在或添加一個或多個其他特征、整數(shù)、步驟、操作、元件、組件和/或它們的組。應(yīng)該理解，當我們稱元件被“連接”或“耦接”到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無線連接或耦接。這里使用的措辭“和/或”包括一個或更多個相關(guān)聯(lián)的列出項的任一單元和全部組合。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學術(shù)語)具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。

為便于對本發(fā)明實施例的理解，下面將結(jié)合附圖以幾個具體實施例為例做進一步的解釋說明，且各個實施例并不構(gòu)成對本發(fā)明實施例的限定。

本發(fā)明實施例引入了智能故障診斷領(lǐng)域的基于隱馬爾科夫模型故障診斷分析方法，對輪徑在運行過程中可能發(fā)生的滑行、抱死等故障類型進行診斷檢測，最后通過實際現(xiàn)場數(shù)據(jù)驗證該診斷方法的準確性。最后，利用遺傳算法嘗試改進B-W(Baum-Welch)算法易陷入局部最優(yōu)的缺陷，并取得了良好的效果。

遺傳算法(Genetic Algorithms，GA)對于處理復雜優(yōu)化問題具有優(yōu)勢，可以避免復雜計算的問題，利用遺傳算法中的選擇、交叉、變異三種算子就可以得到最優(yōu)解。通過模擬自然界的遺傳機制以及生物進化過程形成全局最優(yōu)化算法，通過對問題進行編碼，構(gòu)造相應(yīng)的個體，得到待求解問題中潛在的解集初始種群。根據(jù)適者生存，優(yōu)勝劣汰等原則，按個體對所求解問題的適應(yīng)度大小選擇適應(yīng)性好的個體進入下一代，再通過交叉、變異等遺傳操作獲取性能更優(yōu)的種群，最后一代代的進化收斂到適應(yīng)性最好的個體上。遺傳算法具有以下優(yōu)點：(1)其對于優(yōu)化問題的求解與其領(lǐng)域無關(guān)，而且可以從全局搜索最優(yōu)解；(2)隱含并行性，不僅初始解是從群體本身出發(fā)，而且可以并行多值比較；(3)遺傳算法可以與其他算法相結(jié)合，使用更靈活。

遺傳算法由于其具有多值同時搜索的優(yōu)點因此可以減少陷入局部最優(yōu)解的可能性，而且搜索速度較快，因此可以利用遺傳算法來優(yōu)化隱馬爾科夫模型的B-W算法。

實施例一

在列車定位單元出現(xiàn)故障并導致定位測速不準時，需要快速、準確地找出故障發(fā)生位置并修復故障，減少維修的時間。列車定位方法有多種，較為普遍使用的主要有：基于ODO(里程計)的列車定位方法、基于軌道電路的列車定位、基于衛(wèi)星導航的列車定位方法、查詢應(yīng)答器的列車定位方法、此外還有應(yīng)用慣性傳感器、多普勒雷達、加速度計等基于多傳感器信息融合的列車組合定位方法。其中，GPS定位是絕對定位，不會產(chǎn)生系統(tǒng)累積誤差，GPS接收機設(shè)備技術(shù)成熟、性能可靠；ODO定位(即輪軸速度傳感器定位)是相對定位，會產(chǎn)生系統(tǒng)累積誤差，但其優(yōu)勢是性能穩(wěn)定可靠、成本低，維護方便。因此基于GPS/ODO的定位方法是一個面向?qū)嶋H定位需求的探索方向。

ODO和車輪相連，在列車運行時車輪旋轉(zhuǎn)，測量精度受輪軌關(guān)系影響。列車行駛時，車輪會產(chǎn)生打滑、抱死等現(xiàn)象。另外隨著運行時間的增加，車輪會出現(xiàn)磨損，這樣也會使里程計產(chǎn)生誤差。因此應(yīng)用里程計實現(xiàn)列車定位的關(guān)鍵技術(shù)是里程計定位誤差的來源分析，目前，現(xiàn)場維修人員并沒有對于里程計進行誤差來源分析，ODO出現(xiàn)故障時，維修人員一般憑經(jīng)驗判斷可能的故障原因，對軟件中的輪徑值進行更正修改，維修效率較低，嚴重影響了運行的效率，所以迫切需要在ODO出現(xiàn)故障時可以快速準確地確定故障原因，進行故障診斷。

本發(fā)明實施例提供了一種基于隱馬爾科夫模型的ODO故障診斷方法，將隱馬爾科夫方法引入列控定位子系統(tǒng)的ODO故障診斷中，如圖1為HMM的基本組成示意圖，該方法包括觀測量的選擇、數(shù)據(jù)預處理、基于HMM的故障診斷、基于遺傳算法的HMM參數(shù)訓練等幾個處理過程，下面分別介紹各個處理過程：

所述的觀測量的選擇，里程計(ODO)的輸出為脈沖信號，其計算車輪速度的原理為：將脈沖信號輸入到計數(shù)器接口之前，首先對其進行整形濾波，一般通過整形濾波電路實現(xiàn)，通過計數(shù)接口的結(jié)果計算脈沖信號的個數(shù)，最終計算車輪速度，理論上，里程計累計計數(shù)脈沖計算出的測量值為：

其中，n_k為k時刻的脈沖個數(shù)，n_k-1為k上一時刻的脈沖個數(shù)。N為里程計完成一圈之后發(fā)出的脈沖數(shù)，該值為一個確定的值，Δt是k時刻到k-1時刻的時間間隔，也是一個固定值，d為車輪的輪徑。

觀測量數(shù)據(jù)v_observation(t)的計算公式如下：

v_observation(t)＝v_odo(t)-v_real(t)

其中v_real(t)是任一時刻t列車實際運行速度，當GPS定位狀態(tài)良好時v_real(t)等于GPS定位的測速值v_GPS(t)

所述的數(shù)據(jù)預處理是指通過信源編碼技術(shù)中的Lloyds數(shù)據(jù)壓縮算法對訓練序列進行標量量化處理，在標量量化處理之前，需要數(shù)據(jù)處在一定的范圍內(nèi)，所以需要進行歸一化處理，本發(fā)明利用歸一化函數(shù)mapminmax對訓練數(shù)據(jù)進行歸一化處理。這樣，經(jīng)過歸一化及標量量化處理后的訓練序列就可以用來訓練HMM模型，建立ODO的故障狀態(tài)分類器。mapminmax函數(shù)是Matlab中的歸一化函數(shù)，Lloyds算法函數(shù)是Matlab中的一種數(shù)據(jù)壓縮算法函數(shù)。

所述的基于HMM的故障診斷，圖2為本發(fā)明實施例提供的一種HMM故障診斷流程圖，通過數(shù)據(jù)預處理，分別選取三種狀態(tài)下的v_observation(t)觀察序列，利用遺傳算法優(yōu)化后的B-W算法訓練HMM參數(shù)，得到正常、打滑、抱死三種狀態(tài)的HMM模型，建立ODO的故障分類器。

將待識別的觀測量數(shù)據(jù)輸入所述里程計的故障狀態(tài)分類器，利用前向-后向算法將待識別的觀測量數(shù)據(jù)分別與車輪的正常、打滑、抱死三種狀態(tài)的隱馬爾科夫模型進行匹配，得到三種狀態(tài)的隱馬爾科夫模型分別對應(yīng)的匹配值，將三個匹配值進行比較，將最大的匹配值對應(yīng)的正常狀態(tài)、打滑狀態(tài)或者抱死狀態(tài)作為所述待識別的觀測量數(shù)據(jù)對應(yīng)的當前車輪狀態(tài)，從而實現(xiàn)故障診斷。

所述的利用遺傳算法優(yōu)化后的B-W算法訓練HMM參數(shù)包括：通過遺傳算法對HMM的參數(shù)訓練部分進行改造，并與B-W算法進行比較，證明改造的有效性。圖3為本發(fā)明實施例提供的一種遺傳算法的計算流程圖，包括如下處理過程：

基于遺傳算法的HMM參數(shù)訓練，即根據(jù)極大似然準則尋找λ^*，使得

其中y為觀測序列，λ為模型參數(shù)，且過程帶有約束條件：

因而最大化p(Y＝y(tǒng)|λ)其實就是一個帶有約束的優(yōu)化問題，p(Y＝y(tǒng)|λ)可以通過前后向算法來計算。

首先定義懲罰函數(shù)即個體X違反約束程度的量

M₁,M₂取極大正數(shù)。

基于遺傳算法的參數(shù)訓練流程如下：

(1)對實際問題的參數(shù)集進行編碼；

(2)確定參數(shù)的初始值及各遺傳算子；

(3)令k＝0表示進化代數(shù)，并且產(chǎn)生初始化種群X(0)；

(4)選取合適的適應(yīng)度函數(shù)，在每一代中計算適應(yīng)度函數(shù)的值，以適應(yīng)度函數(shù)值作為標準來評判個體是否進入下一代；

(5)與終止條件相比較，如果不符合，令k＝k+1代數(shù)增加一代；

(6)進行選擇操作，基于遺傳算法“適者生存”的基本原則，從當前群體X(k-1)中挑選，舍棄適應(yīng)度低的個體，選擇優(yōu)良的個體X(k)進入下一次的迭代過程；

(7)進行交叉操作，基于遺傳算法“信息交換”的基本原則，利用交叉概率P_c，根據(jù)交叉算子對X(k)中的個體進行交叉操作，則下一代中個體信息來自父輩個體；

(8)進行變異操作變異，根據(jù)變異概率P_m隨機選擇X(k)中間群體中的某個個體改變其值。

所述的使用所述觀測量數(shù)據(jù)利用遺傳算法優(yōu)化后的B-W算法訓練隱馬爾科夫模型參數(shù)，包括如下步驟：

(1)待估計參數(shù)：狀態(tài)初始分量π＝(π₁,π₂,...π_N)，概率轉(zhuǎn)移矩陣A＝(a_ij)，觀測向量密度函數(shù)b_j(y)；

(2)適應(yīng)度函數(shù)：適應(yīng)值函數(shù)取為目標函數(shù)，取lnp(Y＝y(tǒng)|X)-Viol(X)為目標函數(shù)；

(3)生成初始種群：參數(shù)π,A等在[0,1]中隨機產(chǎn)生并進行二進制編碼處理，根據(jù)收斂精度確定二進制位數(shù)；

(4)設(shè)定各遺傳算子的值，設(shè)選擇概率P＝0.1，交叉概率P_c＝0.25，變異概率P_m＝0.01；

設(shè)定遺傳算法終止條件，最大迭代次數(shù)取為max_iter＝30，收斂精度ε＝0.0001。

實施例二

本發(fā)明采用2014年2月22日在晉煤集團鐵運線路采集數(shù)據(jù)進行空轉(zhuǎn)、滑行檢測試驗，試驗機車號是DF85512測速輪對上安裝有兩路速度傳感器，輪對旋轉(zhuǎn)一周速度傳感器輸出200個脈沖。分別選取正常、打滑、空轉(zhuǎn)情況下的50組數(shù)據(jù)，數(shù)據(jù)在相同工況下測得，具有相同的采樣頻率，分別選取其中的30組作為訓練數(shù)據(jù)，20組作為觀測數(shù)據(jù)。首先,由30組訓練數(shù)據(jù)對ODO的三種狀態(tài)對應(yīng)的HMM模型進行參數(shù)訓練，獲取參數(shù)，圖4為三種狀態(tài)對應(yīng)的HMM訓練曲線。

三組數(shù)據(jù)在訓練到第10步時均收斂到固定范圍內(nèi)，已達到局部最優(yōu)，則模型參數(shù)已經(jīng)獲取，參數(shù)訓練部分完成。

然后將20組測試數(shù)據(jù)經(jīng)過歸一化及標量量化之后，送入到已經(jīng)訓練成功的三個訓練模型中，利用前向-后向算法計算測試數(shù)據(jù)與模型的匹配度，選取最大值即為測試序列當前狀態(tài)，測試HMM分類效果。

由此證明，HMM模型可對不同故障數(shù)據(jù)進行建模，并且對于觀測數(shù)據(jù)輸入可以有效匹配實現(xiàn)故障診斷。從表中我們可以看出，在抱死故障診斷中，出現(xiàn)了3次觀測數(shù)據(jù)診斷為打滑故障，分析此原因可能是打滑數(shù)據(jù)和抱死數(shù)據(jù)之間的數(shù)據(jù)變化規(guī)律相近，因此會出現(xiàn)這種情況，但是對于ODO故障與正常狀態(tài)的判斷，HMM診斷結(jié)果的精度可以達到100％。

實施例三

由于B-W算法存在收斂慢，計算復雜，易陷入局部最優(yōu)解等缺點，利用遺傳算法可以有效解決上述問題，因此本發(fā)明通過遺傳算法對HMM的參數(shù)訓練部分進行改造，并與B-W算法進行比較，證明改造的有效性。

本發(fā)明選取正常狀態(tài)下的數(shù)據(jù)進行遺傳算法與B-W算法參數(shù)訓練仿真對比，假設(shè)種群規(guī)模N＝30。具體步驟如下：

(1)待估計參數(shù)：狀態(tài)初始分量π＝(π₁,π₂,...π_N)，概率轉(zhuǎn)移矩陣A＝(a_ij)，觀測向量密度函數(shù)b_j(y)；各參數(shù)的含義其實就是它前面的修飾語，π向量：包含了(隱)模型在時間t＝1時一個特殊的隱藏狀態(tài)的概率(初始概率)，狀態(tài)轉(zhuǎn)移矩陣A：包含了一個隱藏狀態(tài)到另一個隱藏狀態(tài)的概率混淆矩陣b：包含了給定隱馬爾科夫模型的某一個特殊的隱藏狀態(tài)，觀察到的某個觀察狀態(tài)的概率。

(2)適應(yīng)度函數(shù)：在大多數(shù)情況下，適應(yīng)值函數(shù)取為目標函數(shù)，取lnp(Y＝y(tǒng)|X)-Viol(X)為目標函數(shù)；Viol(X)表示懲罰函數(shù)，lnp(Y＝y(tǒng)|X)表示輸入序列與種群的匹配關(guān)系，是一個最優(yōu)化問題；

(3)生成初始種群：參數(shù)π,A等在[0,1]中隨機產(chǎn)生并進行二進制編碼處理，根據(jù)收斂精度確定二進制位數(shù)；

(4)設(shè)定各遺傳算子的值，設(shè)選擇概率P＝0.1，交叉概率P_c＝0.25，變異概率P_m＝0.01；

(5)設(shè)定遺傳算法終止條件，最大迭代次數(shù)取為max_iter＝30，收斂精度ε＝0.0001。

選取正常狀態(tài)下的數(shù)據(jù)進行遺傳算法參數(shù)訓練仿真，得到結(jié)果如圖5所示。圖6為改進前和改進后兩者訓練曲線的比較，可看出采用遺傳算法進行參數(shù)訓練得到的訓練曲線的在收斂速度上相較隱馬爾科夫中的B-W算法可以較快達到穩(wěn)態(tài)，以及最終的收斂精度方面，HMM中B-W算法參數(shù)訓練迭代30步后,的匹配值loglik＝-37.046634,經(jīng)遺傳算法改進后loglik＝-5.0431，提高了86％。

綜上所述，本發(fā)明將隱馬爾科夫方法引入列控定位子系統(tǒng)的ODO故障診斷中，通過大量的數(shù)據(jù)統(tǒng)計分析提煉出可以表征ODO故障的特征量，并利用幅值歸一化及標量量化的方法將數(shù)據(jù)處理成HMM的輸入數(shù)據(jù)，通過50組數(shù)據(jù)的統(tǒng)計分析，結(jié)果表明了HMM對于ODO故障診斷的有效性。并通過遺傳算法對HMM中的參數(shù)訓練部分進行改進并與B-W算法比較，經(jīng)過仿真對比，在訓練速度上遺傳算法可以較快地到達穩(wěn)態(tài)，且訓練精度提高了86％，均有相應(yīng)改善，證明了遺傳算法對于參數(shù)訓練改造的有效性。

實例分析結(jié)果，應(yīng)用本發(fā)明實施例的基于隱馬爾科夫模型的里程計故障診斷方法對于正常和故障狀態(tài)的診斷精度有較大提高，通過遺傳算法對隱馬爾科夫模型中的參數(shù)訓練部分進行改進，仿真對比后表明在訓練速度上遺傳算法可以較快到達穩(wěn)態(tài)。

本領(lǐng)域普通技術(shù)人員可以理解：附圖只是一個實施例的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的。

通過以上的實施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如ROM/RAM、磁碟、光盤等，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置或系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關(guān)之處參見方法實施例的部分說明即可。以上所描述的裝置及系統(tǒng)實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求的保護范圍為準。