您现在的位置: 范文先生网 >> 理工论文 >> 电子通信论文 >> 正文

故障特征提取的方法研究

时间:2007-1-20栏目:电子通信论文

  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<n.其中Y确实含有向量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<N),通常以特征参数X对状态Y变化的灵敏度ε作为评价特征参数的度量:
  
  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:
  
  (范文先生网www.fwsir.com收集整理)
  
  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:
 

[1] [2] [3] [4] 下一页

下页更精彩:1 2 3 4 下一页