故障特征提取的方法研究

Word第第頁(yè)故障特征提取的方法研究[NextPage]

大量的試驗(yàn)和討論說(shuō)明，當(dāng)網(wǎng)絡(luò)收斂后有：a1≈a2≈…≈aq.

從上式可以看出，假如：

則必有：εijεki

即特征參數(shù)Xi對(duì)第j類(lèi)故障的分類(lèi)力量比特征參數(shù)Xk強(qiáng)。

將特征參數(shù)X和分類(lèi)模式分類(lèi)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|

假如│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(lèi)力量比特征參數(shù)Xk的分類(lèi)力量強(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，因此具有最優(yōu)特性。特征提取過(guò)程就是在由給定的n個(gè)特征集X二{XI——X2,…，zn〕所構(gòu)成的初始特征集合狀況下，查找一個(gè)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統(tǒng)熵和后驗(yàn)熵確定，而系統(tǒng)熵是肯定的，后驗(yàn)熵越小，則互信息熵越大，分類(lèi)效果越好。因此有效的特征提取就是在X給定后，查找一個(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,查找一個(gè)新的集合Y=[y1,y2,…，yk]T,kn,使互信息熵最大，i=1,2,…，k.

在肯定的初始特征集合下，識(shí)別樣本的后驗(yàn)熵是肯定的。在實(shí)現(xiàn)特征優(yōu)化過(guò)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狀況。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(guò)程可描述為：

[NextPage]

〔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)熵為根據(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(mǎn)意分類(lèi)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)組主軸常常遇到如喘振、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)峻危害，影響機(jī)組的平安運(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，依據(jù)基于能量分布的故障診斷理論將振動(dòng)信號(hào)功率譜密度按肯定的規(guī)章進(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(kāi)銷(xiāo)，診斷效果不抱負(fù)。假如在時(shí)域內(nèi)采納信息優(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。

本文采納時(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，討論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)

[NextPage]

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：采納表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)練算法采納標(biāo)準(zhǔn)BP算法和Levenberg-Mar-quardt法兩種方法來(lái)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(guò)程中，隨著特征的刪除，后驗(yàn)熵改變較大。當(dāng)刪除的特征中包含有x5、x6時(shí)，后驗(yàn)熵明顯降低；如僅保存x5、x6時(shí)，后驗(yàn)熵最小。說(shuō)明偏斜度對(duì)這兩種故障最為敏