故障特征提取的方法研究
摘要：針對常規特征提取方法存在著問題不足，提出了基于BP神經網絡和基于互信息熵的特征提取方法，并通過特征提取實例加以說明。結果表明這兩種方法是可行和有效的。關鍵詞：特征提取 故障診斷 神經網絡 互信息熵
隨著科學技術的發展，現代設備的結構日趨復雜，其故障類型越來越多，反映故障的狀態、特征也相應增加。在實際故障診斷過程中，為了使診斷準確可靠，總要采集盡可能多的樣本，以獲得足夠的故障信息。但樣本太多，會占用大量的存儲空間和計算時間，太多的特征輸入也會引起訓練過程耗時費工，甚至妨礙訓練網絡的收斂，最終影響分類精度。因此要從樣本中提取對診斷故障貢獻大的有用信息。這一工作就是特征提取。
特征提取就是利用已有特征參數構造一個較低維數的特征空間，將原始特征中蘊含的有用信息映射到少數幾個特征上，忽略多余的不相干信息。從數學意義上講，就是對一個n維向量X＝[x1，x2，…，xn]T進行降維，變換為低維向量Y＝[y1，y2，…，ym]T，m<n。其中Y確實含有向量X的主要特性。
特征提取的方法有很多，常用的方法主要有歐式距離法、概率距離法、統計直方圖法、散度準則法等。本文針對現有方法的局限性，研究基于BP神經網絡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神經網絡的特征提取方法
要從N個特征中挑選出對診斷貢獻較大的n個特征參數(n<N)，通常以特征參數X對狀態Y變化的靈敏度ε作為評價特征參數的度量：
εij=|(аYi)/(аXj)|
采用三層BP網絡，輸入層n個單元對應n個特征參數，輸出層m個單元對應m種模式分類，取中間隱層單元數為q，用W B iq表示輸入層單元i與隱層單元q之間的連接權；用w O qj表示隱層單元q與輸出層單元j之間的連接權，則隱層第q單元的輸出Oq，為：
輸出層第j個單元輸出yj為：
式中j=1，2，…，m；εj為閾值。
則特征參數xi對模式類別yj的靈敏度為：
代入（1）式，則特征參數Xi的靈敏度εij和特征參數Xk的靈敏度εkj之差可整理為：
大量的試驗和研究表明，當網絡收斂后有：a1≈a2≈…≈aq。
從上式可以看出，如果：
[1] [2] [3] [4] [5]
【故障特征提取的方法研究】相關文章：
光纖通道網絡故障處理方法研究04-27
機械故障特征提取分析及其維修決策05-03
3+1S陀螺的故障檢測方法研究04-30
基于仿真與數據挖掘的故障診斷方法研究04-28
民用飛機共模故障分析方法研究04-28
用機體振動診斷旋翼失衡故障方法研究04-27
飛控系統傳感器故障診斷的在線方法研究04-28
處理道岔故障的快速方法04-30