基于频域特征和遗传编程的多类状态振动信号特征提取.docxVIP

基于频域特征和遗传编程的多类状态振动信号特征提取 基于遗传编程的降维特征指标框架 振动信号分析是解决齿轮故障的重要工具。从振动信号中提取齿轮状态特征是齿轮故障诊断的主要方法。然而对多类或多重故障,特别是对同类故障不同的严重程度情况,其特征提取就要困难得多。对于这类问题,常用的一些诊断指标如时域或频域指标对其中一类或几类有作用,对所有故障或状态分类则可能效果不好。然而,可以通过对某几种指标进行变换或综合,得到新的特征指标,从而区分所有故障或状态。取得综合特征的传统方法有主分量分析(Principal Component Analysis ,PCA)。PCA是若干个样本m个特征指标(作为原坐标m个坐标)向n个新特征指标空间坐标上投影,从中找到n个特征指标,且nm,以满足降维要求,同时保证全部样本点在新坐标上的分量散度最大。实质上,n个新特征指标是原m个特征指标的线性组合。遗传编程作为程序化的层式结构优化算法,在特征构造与特征选择中具有一定的优势。该方法是在m个特征指标中根据一定准则,经过进化计算,降维成n个特征,由这些的特征,并且与函数(运算符)优化组合,可以得到一个新特征指标,该指标可以对多重故障进行分类。 1 遗传编程 1.1 采用层次化计算机程序来表达问题的自然选择 遗传优化算法(又称基因遗传算法Genetic Algorithm, 简称GA)是1975年Holland提出的一