故障特征提取的方法研究

2007-03-09 19:03:27来源: 互联网
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,m 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},k │W1│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295} 流体激励: │W2│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295} 从结果可以看出:偏斜度对这两种故障最为敏感,反映了低频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}对应表1中的特征参数。在特征参数优化过程中,随着特征的删除,后验熵变化较大。当删除的特征中包含有x5、x6时,后验熵明显降低;如仅保留x5、x6时,后验熵最小。说明偏斜度对这两种故障最为敏感。 对比这两种特征提取方法,可以看出它们得到的结论是一样的。如果采用通频全息谱法来进行分析,得到的结论相同,从而验证了这两种特征提取方法的有效性。 在实际的状态监测和故障诊断中,可以重点监测系统的偏斜度,配合对振动信号的频谱分析,可以快速地判断故障类型和具体发生的时间。
编辑: 引用地址:http://www.eeworld.com.cn/designarticles/network/200703/11016.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
推荐阅读
全部

小广播

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: 安防电子 医疗电子 工业控制

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved