故障特征提取的方法研究解析.docxVIP

故障特征提取的方法研究(1) 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，mn。其中 Y 确实含有向量 X 的主要特性。 特征提取的方法有很多，常用的方法主要有欧式距离法、概率距离法、统计直 方图法、散度准则法等。本文针对现有方法的局限性，研究基于 BP 神经网络的 特征提取方法和基于互信息熵的特征提取方法。 1 基于 BP 神经网络的特征提取方法 要从 N 个特征中挑选出对诊断贡献较大的 n 个特征参数(nN)，通常以特征参数 X 对状态 Y 变化的灵敏度 ε 作为评价特征参数的度量： εij=|(аYi)/(аXj)| 采用三层 BP 网络，输入层 n 个单元对应 n 个特征参数，输出层 m 个单元对应 m 种模式分类，取中间隐层单元数为 q，用 W B iq 表示输入层单元 i 与隐层单元 q 之间的连接权；用 w O qj 表示隐层单元 q 与输出层单元 j 之间的连接权，则 隐层第 q 单元的输出 Oq，为： 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}，kn。由于最大互信息熵由系统熵和 后验熵决定，而系统熵是一定的，后验熵越小，则互信息熵越大，分类效果越 好。因此有效的特征提取就是在 X 给定后，寻找一个具有最大互信息熵或后验 熵的集合 Y。即已知该域 R 上的初始特征集合 X＝[x1，x2，…，xn]T，寻找一 个新的集合 Y＝[y1，y2，…，yk]T,kn，使互信息熵最大，i＝1，2，…，k。 在一定的初始特征集合下，识别样本的后验熵是一定的。在实现特征优化过程 中，随着特征的删除，会有信息的损失，使得后验熵趋于增加。因此后验熵增 值大小反应了删除特征向量引起的信息损失的情况。当删除不同特征及删除特 征数逐步递增时，会对应有不同的后验熵。按后验熵由小到大排列，可获得对 应的特征删除序列。其过程可描述为： 初始化：设原始特征集合 F＝{N 个特征}，令初始优化特征集合 S＝[K 个特 征，K=N]； 计算后验熵； 实现递减：S＝[K-1 个特征]，并计算相应的后验