導(dǎo)語(yǔ)：故障特征提取探究論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1基于BP神經(jīng)網(wǎng)絡(luò)的特征提取方法

要從N個(gè)特征中挑選出對(duì)診斷貢獻(xiàn)較大的n個(gè)特征參數(shù)(n<N)，通常以特征參數(shù)X對(duì)狀態(tài)Y變化的靈敏度ε作為評(píng)價(jià)特征參數(shù)的度量：

εij=|(аYi)/(аXj)|

采用三層BP網(wǎng)絡(luò)，輸入層n個(gè)單元對(duì)應(yīng)n個(gè)特征參數(shù)，輸出層m個(gè)單元對(duì)應(yīng)m種模式分類，取中間隱層單元數(shù)為q，用WBiq表示輸入層單元i與隱層單元q之間的連接權(quán)；用wOqj表示隱層單元q與輸出層單元j之間的連接權(quán)，則隱層第q單元的輸出Oq，為：

輸出層第j個(gè)單元輸出yj為：

式中j=1，2，…，m；εj為閾值。

則特征參數(shù)xi對(duì)模式類別yj的靈敏度為：

代入（1）式，則特征參數(shù)Xi的靈敏度εij和特征參數(shù)Xk的靈敏度εkj之差可整理為：

大量的試驗(yàn)和研究表明，當(dāng)網(wǎng)絡(luò)收斂后有：a1≈a2≈…≈aq。

從上式可以看出，如果：

則必有：εij＞εki

即特征參數(shù)Xi對(duì)第j類故障的分類能力比特征參數(shù)Xk強(qiáng)。

將特征參數(shù)X和分類模式分類結(jié)果y組成的樣本集作為BP網(wǎng)絡(luò)的學(xué)習(xí)樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)Wiq和Wkq分別為與特征參數(shù)Xi和Xk對(duì)應(yīng)輸入單元與隱層單元q之間的連接權(quán)系數(shù)，記：

│Wεi│=│Wi1│+|Wi2|+…+|Wiq|

│Wεk│=│Wk1│+|Wk2|+…+|Wkq|

如果│Wεi│>│Wεk│，則可以認(rèn)為Xi的特征靈敏度εi比特征參數(shù)Xk的靈敏度εk大。這樣可知特征參數(shù)Xi的分類能力比特征參數(shù)Xk的分類能力強(qiáng)。

2基于互信息熵的特征提取方法

由信息特征可知，當(dāng)某特征獲得最大互信息熵，該特征就可獲得最大識(shí)別熵增量和最小誤識(shí)別概率，因而具有最優(yōu)特性。特征提取過程就是在由給定的n個(gè)特征集X二{XI~X2，…，zn)所構(gòu)成的初始特征集合情況下，尋找一個(gè)具有最大互信息熵的集合：X＝{X1，X2，…，Xk}，k<n。由于最大互信息熵由系統(tǒng)熵和后驗(yàn)熵決定，而系統(tǒng)熵是一定的，后驗(yàn)熵越小，則互信息熵越大，分類效果越好。因此有效的特征提取就是在X給定后，尋找一個(gè)具有最大互信息熵或后驗(yàn)熵的集合Y。即已知該域R上的初始特征集合X＝[x1，x2，…，xn]T，尋找一個(gè)新的集合Y＝[y1，y2，…，yk]T,k<n，使互信息熵最大，i＝1，2，…，k。

在一定的初始特征集合下，識(shí)別樣本的后驗(yàn)熵是一定的。在實(shí)現(xiàn)特征優(yōu)化過程中，隨著特征的刪除，會(huì)有信息的損失，使得后驗(yàn)熵趨于增加。因此后驗(yàn)熵增值大小反應(yīng)了刪除特征向量引起的信息損失的情況。當(dāng)刪除不同特征及刪除特征數(shù)逐步遞增時(shí)，會(huì)對(duì)應(yīng)有不同的后驗(yàn)熵。按后驗(yàn)熵由小到大排列，可獲得對(duì)應(yīng)的特征刪除序列。其過程可描述為：

(1)初始化：設(shè)原始特征集合F＝{N個(gè)特征}，令初始優(yōu)化特征集合S＝[K個(gè)特征，K=N]；

(2)計(jì)算后驗(yàn)熵；

(3)實(shí)現(xiàn)遞減：S＝[K-1個(gè)特征]，并計(jì)算相應(yīng)的后驗(yàn)

熵；

(4)選擇優(yōu)化特征集合：以多個(gè)遞減特征集合所對(duì)應(yīng)的后驗(yàn)熵為依據(jù)，選擇具有最小后驗(yàn)熵增的特征向量集合為優(yōu)化特征集合S[N-1個(gè)優(yōu)化特征]；

(5)返回(3)，重新計(jì)算，直到滿足分類要求，選擇具有最小后驗(yàn)熵的優(yōu)化特征集合；

(6)輸出優(yōu)化特征集合。

3特征提取實(shí)例

在熱電廠的發(fā)電機(jī)組工作中，發(fā)電機(jī)組主軸經(jīng)常遇到如喘振、流體激勵(lì)等故障。這些故障不僅會(huì)引起生產(chǎn)效率下降，而且會(huì)對(duì)機(jī)器造成嚴(yán)重危害，影響機(jī)組的安全運(yùn)行。傳統(tǒng)的診斷方法是在主軸軸承處加傳感器進(jìn)行振動(dòng)測(cè)試，得到其頻譜圖；然后在頻域內(nèi)分析，根據(jù)基于能量分布的故障診斷理論將振動(dòng)信號(hào)功率譜密度按一定的規(guī)則進(jìn)行量化，利用神經(jīng)網(wǎng)絡(luò)等工具進(jìn)行故障診斷。但是喘振、流體激勵(lì)等故障在頻域內(nèi)通常表現(xiàn)為連續(xù)分布的有色噪聲帶，在頻域內(nèi)分析難以區(qū)分，難以進(jìn)行頻譜特征提取，全息譜分析方法也不甚有效。傳統(tǒng)方法增加了系統(tǒng)的開銷，診斷效果不理想。如果在時(shí)域內(nèi)采用信息優(yōu)化方法做預(yù)處理，再用傳統(tǒng)的診斷方法進(jìn)行診斷，可以收到很好的效果。

本文采用時(shí)域內(nèi)故障振動(dòng)信號(hào)的方差、峭度、偏斜度等參數(shù)，分別利用BP神經(jīng)網(wǎng)絡(luò)和后驗(yàn)熵分析對(duì)其進(jìn)行特征提取，研究如何從中找出最能反映故障的特征。

表1為主軸喘振、流體激勵(lì)故障時(shí)振動(dòng)信號(hào)在垂直和水平方向的方差、峭度、偏斜度等6個(gè)參數(shù)的數(shù)據(jù)。

表1主軸故障的特征參數(shù)

序號(hào)喘振流體激勵(lì)均方差峭度偏斜度均方差峭度偏斜度垂直水平垂直水平垂直水平垂直水平垂直水平垂直水平17.509.21-0.02-0.00-0.22-0.1040.244.10.22-0.42-0.11-0.08226.115.2-0.75-0.92-0.31-0.2170.120.53.821.780.000.16313.89.21-0.81-0.72-0.290.1912.414.2-0.38-0.620.030.0146.28.5-0.01-0.04-0.22-0.238.1533.50.15-0.140.070.10536.111.2-0.61-0.01-0.230.077.2115.2-0.41-0.510.010.01611.59.71-0.81-0.93-0.31-0.1825.730.2-0.370.19-0.11-0.06733.128.2-0.79-0.85-0.07-0.4571.225.33.811.850.010.16837.226.8-0.81-0.87-0.06-0.418.1135.2-0.81-0.130.010.11

設(shè)原始特征集合F＝{x1，x2，x3，x4，x5，x6}，其中x1、x2分別為垂直、水平方向的均方差，x3、x4分別為垂直和水平方向的峭度，x5、x6，分別為垂直和水平方向的偏斜度。

①基于BP神經(jīng)網(wǎng)絡(luò)的特征提取方法：采用表1中的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，編制程序?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練算法采用標(biāo)準(zhǔn)BP算法和Levenberg-Mar-quardt法兩種方法來訓(xùn)練BP網(wǎng)絡(luò)，從而計(jì)算特征參數(shù)的特征靈敏度，確定出對(duì)結(jié)果影響最大的特征參數(shù)。

喘振：

│W1│={1.58741.655325.532025.176574.472440.4295}

流體激勵(lì)：

│W2│={1.58741.655325.532025.176574.472440.4295}

從結(jié)果可以看出：偏斜度對(duì)這兩種故障最為敏感，反映了低頻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}對(duì)應(yīng)表1中的特征參數(shù)。在特征參數(shù)優(yōu)化過程中，隨著特征的刪除，后驗(yàn)熵變化較大。當(dāng)刪除的特征中包含有x5、x6時(shí)，后驗(yàn)熵明顯降低；如僅保留x5、x6時(shí)，后驗(yàn)熵最小。說明偏斜度對(duì)這兩種故障最為敏感。

對(duì)比這兩種特征提取方法，可以看出它們得到的結(jié)論是一樣的。如果采用通頻全息譜法來進(jìn)行分析，得到的結(jié)論相同，從而驗(yàn)證了這兩種特征提取方法的有效性。

在實(shí)際的狀態(tài)監(jiān)測(cè)和故障診斷中，可以重點(diǎn)監(jiān)測(cè)系統(tǒng)的偏斜度，配合對(duì)振動(dòng)信號(hào)的頻譜分析，可以快速地判斷故障類型和具體發(fā)生的時(shí)間。

摘要：針對(duì)常規(guī)特征提取方法存在著問題不足，提出了基于BP神經(jīng)網(wǎng)絡(luò)和基于互信息熵的特征提取方法，并通過特征提取實(shí)例加以說明。結(jié)果表明這兩種方法是可行和有效的。

關(guān)鍵詞：特征提取故障診斷神經(jīng)網(wǎng)絡(luò)互信息熵