??? 摘 要： 針對(duì)常規(guī)特征提取" title="特征提取">特征提取方法存在著問(wèn)題不足，提出了基于BP神經(jīng)網(wǎng)絡(luò)和基于互信息" title="互信息">互信息熵的特征提取方法" title="特征提取方法">特征提取方法，并通過(guò)特征提取實(shí)例加以說(shuō)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" title="故障診斷">故障診斷? 神經(jīng)網(wǎng)絡(luò)? 互信息熵
?
??? 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(lái)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(guò)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(chǔ)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(guò)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(duì)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)" title="特征參數(shù)">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(duì)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
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(duì)診斷貢獻(xiàn)較大的n個(gè)特征參數(shù)（n
??? 
??? 采用三層BP網(wǎng)絡(luò)，輸入層n個(gè)單元對(duì)應(yīng)n個(gè)特征參數(shù)，輸出層m個(gè)單元對(duì)應(yīng)m種模式分類，取中間隱層單元數(shù)為q，用
表示輸入層單元i與隱層單元q之間的連接權(quán)；用
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:
??? 
??? 則特征參數(shù)xi對(duì)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:
??? 
??? 則必有:εij>εkj
??? 即特征參數(shù)Xi對(duì)第j類故障的分類能力比特征參數(shù)Xk強(qiáng)。
??? 將特征參數(shù)X和分類模式分類結(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：
??? 
??? 如果
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的分類能力比特征參數(shù)Xk的分類能力強(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，因而具有最優(yōu)特性。特征提取過(guò)程就是在由給定的n個(gè)特征集X={x1,x2,…,xn}所構(gòu)成的初始特征集合情況下，尋找一個(gè)具有最大互信息熵的集合:X={x1,x2,…,xk},k
??? （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)熵為依據(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，直到滿足分類要求，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)組主軸經(jīng)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)重危害，影響機(jī)組的安全運(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，根據(jù)基于能量分布的故障診斷理論將振動(dòng)信號(hào)功率譜密度按一定的規(guī)則進(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，診斷效果不理想。如果在時(shí)域內(nèi)采用信息優(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。
??? 本文采用時(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，研究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)。
?
??? 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：采用表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)練算法采用標(biāo)準(zhǔn)BP算法和Levenberg-Marquardt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)。
??? 
??? 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)熵變化較大。當(dāng)刪除的特征中包含有x5、x6時(shí)，后驗(yàn)熵明顯降低；如僅保留x5、x6時(shí)，后驗(yàn)熵最小。說(shuō)明偏斜度對(duì)這兩種故障最為敏感。
??? 對(duì)比這兩種特征提取方法，可以看出它們得到的結(jié)論是一樣的。如果采用通頻全息譜法來(lái)進(jìn)行分析，得到的結(jié)論相同，從而驗(yàn)證了這兩種特征提取方法的有效性。
??? 在實(shí)際的狀態(tài)監(jiān)測(cè)和故障診斷中，可以重點(diǎn)監(jiān)測(cè)系統(tǒng)的偏斜度，配合對(duì)振動(dòng)信號(hào)的頻譜分析，可以快速地判斷故障類型和具體發(fā)生的時(shí)間。
參考文獻(xiàn)
1 徐章遂，房立清，王希武等.故障信息診斷原理及應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2000
2 叢 爽.面向matlab工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003
3 李世中，吉小軍，朱蘇磊.熵值分析法在特征提取中的應(yīng)用研究[J].華北工學(xué)院學(xué)報(bào)，1999;20（3）：278～281