故障特征提取的方法研究

摘要：针对常规特征提取方法存在着问题不足，提出了基于BP神经网络和基于互信息熵的特征提取方法，并通过特征提取实例加以说明。结果表明这两种方法是可行和有效的。 关键词：特征提取 故障诊断 神经网络 互信息熵 随着科学技术的发展，现代设备的结构日趋复杂，其故障类型越来越多，反映故障的状态、特征也相应增加。在实际故障诊断过程中，为了使诊断准确可靠，总要采集尽可能多的样本，以获得足够的故障信息。但样本太多，会占用大量的存储空间和计算时间，太多的特征输入也会引起训练过程耗时费工，甚至妨碍训练网络的收敛，最终影响分类精度。因此要从样本中提取对诊断故障贡献大的有用信息。这一工作就是特征提取。 特征提取就是利用已有特征参数构造一个较低维数的特征空间，将原始特征中蕴含的有用信息映射到少数几个特征上，忽略多余的不相干信息。从数学意义上讲，就是对一个n维向量X＝[x1，x2，…，xn]T进行降维，变换为低维向量Y＝[y1，y2，…，ym]T，m 输出层第j个单元输出yj为： 式中j=1，2，…，m；εj为阈值。 则特征参数xi对模式类别yj的灵敏度为： 代入（1）式，则特征参数Xi的灵敏度εij和特征参数Xk的灵敏度εkj之差可整理为： 大量的试验和研究表明，当网络收敛后有：a1≈a2≈…≈aq。 从上式可以看出，如果： 则必有：εij＞εki 即特征参数Xi对第j类故障的分类能力比特征参数Xk强。 将特征参数X和分类模式分类结果y组成的样本集作为BP网络的学习样本，对网络进行训练。设Wiq和Wkq分别为与特征参数Xi和Xk对应输入单元与隐层单元q之间的连接权系数，记： │Wεi│=│Wi1│+|Wi2|+…+|Wiq| │Wεk│=│Wk1│+|Wk2|+…+|Wkq| 如果│Wεi│>│Wεk│，则可以认为Xi的特征灵敏度εi比特征参数Xk的灵敏度εk大。这样可知特征参数Xi的分类能力比特征参数Xk的分类能力强。 2 基于互信息熵的特征提取方法 由信息特征可知，当某特征获得最大互信息熵，该特征就可获得最大识别熵增量和最小误识别概率，因而具有最优特性。特征提取过程就是在由给定的n个特征集X二{XI"X2，…，zn)所构成的初始特征集合情况下，寻找一个具有最大互信息熵的集合：X＝{X1，X2，…，Xk}，k │W1│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295} 流体激励： │W2│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295} 从结果可以看出：偏斜度对这两种故障最为敏感，反映了低频自激故障的主要特征。 ② 基于互信息熵的特征提取方法：原始特征集合F＝{x1，x2，x3，x4，x5，x6}对应表1中的特征参数。在特征参数优化过程中，随着特征的删除，后验熵变化较大。当删除的特征中包含有x5、x6时，后验熵明显降低；如仅保留x5、x6时，后验熵最小。说明偏斜度对这两种故障最为敏感。 对比这两种特征提取方法，可以看出它们得到的结论是一样的。如果采用通频全息谱法来进行分析，得到的结论相同，从而验证了这两种特征提取方法的有效性。 在实际的状态监测和故障诊断中，可以重点监测系统的偏斜度，配合对振动信号的频谱分析，可以快速地判断故障类型和具体发生的时间。