序号 喘振 流体激励 　 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 1 7.50 9.21 -0.02 -0.00 -0.22 -0.10 40.2 44.1 0.22 -0.42 -0.11 -0.08 2 26.1 15.2 -0.75 -0.92 -0.31 -0.21 70.1 20.5 3.82 1.78 0.00 0.16 3 13.8 9.21 -0.81 -0.72 -0.29 0.19 12.4 14.2 -0.38 -0.62 0.03 0.01 4 6.2 8.5 -0.01 -0.04 -0.22 -0.23 8.15 33.5 0.15 -0.14 0.07 0.10 5 36.1 11.2 -0.61 -0.01 -0.23 0.07 7.21 15.2 -0.41 -0.51 0.01 0.01 6 11.5 9.71 -0.81 -0.93 -0.31 -0.18 25.7 30.2 -0.37 0.19 -0.11 -0.06 7 33.1 28.2 -0.79 -0.85 -0.07 -0.45 71.2 25.3 3.81 1.85 0.01 0.16 8 37.2 26.8 -0.81 -0.87 -0.06 -0.41 8.11 35.2 -0.81 -0.13 0.01 0.11
　　
　　设原始特征集合F={x1,x2,x3,x4,x5,x6},其中x1、x2分别为垂直、水平方向的均方差，x3、x4分别为垂直和水平方向的峭度，x5、x6,分别为垂直和水平方向的偏斜度。
　　
　　① 基于BP神经网络的特征提取方法：采用表1中的数据作为BP神经网络的输入，编制程序对神经网络进行训练，训练算法采用标准BP算法和Levenberg-Mar-quardt法两种方法来训练BP网络，从而计算特征参数的特征灵敏度，确定出对结果影响最大的特征参数。
　　
　　喘振：
　　
　　│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。

上一页  [1] [2] [3] [4]