故障特征提取的方法研究(1)解析

故障特征提取的方法研究(1)

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

特征提取的方法有很多，常用的方法主要有欧式距离法、概率距离法、统计直方图法、散度准则法等。本文针对现有方法的局限性，研究基于BP神经网络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神经网络的特征提取方法

要从N个特征中挑选出对诊断贡献较大的n个特征参数(n

εij=|(аYi)/(аXj)|

采用三层BP网络，输入层n个单元对应n个特征参数，输出层m个单元对应m 种模式分类，取中间隐层单元数为q，用W B iq表示输入层单元i与隐层单元q之间的连接权；用w O qj表示隐层单元q与输出层单元j之间的连接权，则隐层第q单元的输出Oq，为：

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

在一定的初始特征集合下，识别样本的后验熵是一定的。在实现特征优化过程中，随着特征的删除，会有信息的损失，使得后验熵趋于增加。因此后验熵增值大小反应了删除特征向量引起的信息损失的情况。当删除不同特征及删除特征数逐步递增时，会对应有不同的后验熵。按后验熵由小到大排列，可获得对应的特征删除序列。其过程可描述为：

(1)初始化：设原始特征集合F＝{N个特征}，令初始优化特征集合S＝[K个特征，K=N]；

(2)计算后验熵；

(3)实现递减：S＝[K-1个特征]，并计算相应的后验