粒计算的旋转机械信号特征提取技术.docVIP

基于粒计算的旋转机械信号特征提取技术 【摘　要】针对现有数据挖掘技术未能有效提取旋转机械信号中的敏感特征，本文提出了基于粒计算的特征提取技术。即在邻域粗糙集中，分别于一定包含度下，选择不同粒度层的敏感特征，利用敏感特征构建核属性集。将新技术应用于实验室齿轮信号的分析，结果表明本文提出的特征提取技术更好地完成了数据挖掘的作用，建立了核属性集，为下一步旋转机械的故障诊断打下了基础。 【关键词】粒计算；邻域粗糙集；特征提取；核属性集 【abstract】regarding the fact that current date mining techniques are unable to extract sensitive features from rotary mechanical signals effectively, this essay has brought up the features extraction technique based on granular computing. that is selecting sensitive features from different granularity layers respectively in a certain inclusion degree between neighborhood rough sets. then, using the sensitive features to build up a core feature set. it clearly demonstrates that the features extraction technique brought up by this essay has better accomplished data mining after its application to the analysis of laboratory gear signal. features extraction technique not only establishes core feature sets, but also lays a foundation for fault diagnosis of rotary machines. 【key words】granular ｃomputing；neighborhood ｒough ｓet；features ｅxtraction；core ｆeature ｓet 0　前言 随着越来越多的复杂机电设备被应用在多种工业领域，对这些设备做出高效和准确的状态监测以及故障诊断是保证其稳定运行的关键所在，而有效的数据挖掘技术正是提高诊断效率和精度的重要手段。目前人们往往将各种智能算法应用于机械信号的特征提取，取得了一定成效，但这些算法也有各自不同的优点和缺点[1-2]。为了更好地选取机械信号中的敏感特征，本文提出了基于粒计算的旋转机械信号特征提取技术。 作为粒计算领域中的重要分支，邻域粗糙集在属性约简方面的作用越来越受到人们的关注和研究[3]。由于省去了以往粗糙集约简都要先进行连续属性离散化的过程，因此这种算法可以在极大的保留原有决策表包含的数据信息的前提下，最大限度的剔除冗余信息。 本文首先介绍基于欧式距离评估的邻域粗糙集的基本概念和粒化约简方法；然后通过实验室齿轮振动信号分析验证了新方法的作用。 1　基于欧式距离评估的邻域粗糙集属性约简粒化算法 1.1　邻域粗糙集的基本概念[3] 首先定义邻域概念，对于ｘ■∈ｕ,ｕ为论域，定义ｘ■的δ-邻域为 δ（ｘ■）＝ｘ｜ｘ∈ｕ，δ（ｘ，ｘ■）≤δ（1） 其中δ是一个距离函数，对于 ?坌x■，x■，x■∈u，δ满足如下关系： δ（x■，x■）≥０，δ（x■，x■）＝０，当且仅当x■＝x■； δ（x■，x■）＝δ（x■，x■）； δ（x■，x■）≤δ（x■，x■）＋δ（x■，x■）； δ（ｘ■）称为由ｘ■生成的δ邻域信息粒子，也就是所取邻域值，所以当选择不同大小邻域值时，论域就可以相应被划分为不同的粒度层。 为了方便讨论对论域的粒化，定义a包含于b的强度函数ｉ（ａ，ｂ）为 ｉ（ａ，ｂ）＝■，　ａ，ｂ≠?覫（2） 当ａ=?覫时，规定ｉ（ａ，ｂ）=0。这时有0≤ｉ（ａ，ｂ）≤1。 设集合x为论域u的非空子集，定义可变精度k-下近似和上近似分别为： ■=x■|i（δ（ｘ■），ｘ）≥ｋ，ｘ■∈ｕ（3） ■=x■|i（δ（ｘ■），ｘ）≥１－ｋ，ｘ■∈ｕ（4） 其中ｋ≥０．５。 1.2　基于特征欧氏距离的邻域基点获取 邻域粗糙集粒化属性的关键在于选择合适的邻域δ值。本文先用基于特征欧式距离的方法得到邻域基点，设s=(u,a,v,f)是一个数值