故障特征提取的方法研究

時(shí)間：2023-05-01 11:56:27 電子通信論文我要投稿

相關(guān)推薦

故障特征提取的方法研究

摘要：針對常規(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

故障特征提取的方法研究

隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代設(shè)備的結(jié)構(gòu)日趨復(fù)雜，其故障類型越來越多，反映故障的狀態(tài)、特征也相應(yīng)增加。在實(shí)際故障診斷過程中，為了使診斷準(zhǔn)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(huì)占用大量的存儲空間和計(jì)算時(shí)間，太多的特征輸入也會(huì)引起訓(xùn)練過程耗時(shí)費(fèi)工，甚至妨礙訓(xùn)練網(wǎng)絡(luò)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(xiàn)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(shù)構(gòu)造一個(gè)較低維數(shù)的特征空間，將原始特征中蘊(yùn)含的有用信息映射到少數(shù)幾個(gè)特征上，忽略多余的不相干信息。從數(shù)學(xué)意義上講，就是對一個(gè)n維向量X＝[x1，x2，…，xn]T進(jìn)行降維，變換為低維向量Y＝[y1，y2，…，ym]T，m<n。其中Y確實(shí)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(tǒng)計(jì)直方圖法、散度準(zhǔn)則法等。本文針對現(xiàn)有方法的局限性，研究基于BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的特征提取方法

要從N個(gè)特征中挑選出對診斷貢獻(xiàn)較大的n個(gè)特征參數(shù)(n<N)，通常以特征參數(shù)X對狀態(tài)Y變化的靈敏度ε作為評價(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)單元對應(yīng)n個(gè)特征參數(shù)，輸出層m個(gè)單元對應(yīng)m種模式分類，取中間隱層單元數(shù)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(quán)；用w O qj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：

[1] [2] [3] [4] [5]

【故障特征提取的方法研究】相關(guān)文章：

光纖通道網(wǎng)絡(luò)故障處理方法研究04-27

機(jī)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(shù)據(jù)挖掘的故障診斷方法研究04-28