??? 摘 要： 針對常規(guī)特征提取" title="特征提取">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，并通過特征提取實例加以說明。結果表明這兩種方法是可行和有效的。
??? 關鍵詞： 特征提取? 故障診斷" title="故障診斷">故障診斷? 神經(jīng)網(wǎng)絡? 互信息熵
?
??? 隨著科學技術的發(fā)展，現(xiàn)代設備的結構日趨復雜，其故障類型越來越多，反映故障的狀態(tài)﹑特征也相應增加。在實際故障診斷過程中，為了使診斷準確可靠，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，會占用大量的存儲空間和計算時間，太多的特征輸入也會引起訓練過程耗時費工，甚至妨礙訓練網(wǎng)絡的收斂，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)構造一個較低維數(shù)的特征空間，將原始特征中蘊含的有用信息映射到少數(shù)幾個特征上，忽略多余的不相干信息。從數(shù)學意義上講，就是對一個n維向量X=[x1,x2,…，xn]T進行降維,變換為低維向量Y=[y1,y2,…,ym]T,m
1 基于BP神經(jīng)網(wǎng)絡的特征提取方法
??? 要從N個特征中挑選出對診斷貢獻較大的n個特征參數(shù)（n
??? 
??? 采用三層BP網(wǎng)絡，輸入層n個單元對應n個特征參數(shù)，輸出層m個單元對應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；用
表示隱層單元q與輸出層單元j之間的連接權，則隱層第q單元的輸出Oq為:
??? 
??? 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:
??? 大量的試驗和研究表明，當網(wǎng)絡收斂后有：a1≈a2≈…≈aq。
??? 從上式可以看出，如果:
??? 
??? 則必有:εij>εkj
??? 即特征參數(shù)Xi對第j類故障的分類能力比特征參數(shù)Xk強。
??? 將特征參數(shù)X和分類模式分類結果y組成的樣本集作為BP網(wǎng)絡的學習樣本，對網(wǎng)絡進行訓練。設Wiq和Wkq分別為與特征參數(shù)Xi和Xk對應輸入單元與隱層單元q之間的連接權系數(shù)，記：
??? 
??? 如果
則可以認為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。
2 基于互信息熵的特征提取方法
??? 由信息特征可知，當某特征獲得最大互信息熵，該特征就可獲得最大識別熵增量和最小誤識別概率，因而具有最優(yōu)特性。特征提取過程就是在由給定的n個特征集X={x1,x2,…,xn}所構成的初始特征集合情況下，尋找一個具有最大互信息熵的集合:X={x1,x2,…,xk},k
??? （1）初始化：設原始特征集合F={N個特征}，令初始優(yōu)化特征集合S=[K個特征，K=N]；
??? （2）計算后驗熵；
??? （3）實現(xiàn)遞減：S=[K-1個特征]，并計算相應的后驗熵；
??? （4）選擇優(yōu)化特征集合：以多個遞減特征集合所對應的后驗熵為依據(jù)，選擇具有最小后驗熵增的特征向量集合為優(yōu)化特征集合S[N-1個優(yōu)化特征]；
??? （5）返回（3），重新計算，直到滿足分類要求，選擇具有最小后驗熵的優(yōu)化特征集合；
??? （6）輸出優(yōu)化特征集合。
3 特征提取實例
??? 在熱電廠的發(fā)電機組工作中，發(fā)電機組主軸經(jīng)常遇到如喘振、流體激勵等故障。這些故障不僅會引起生產(chǎn)效率下降，而且會對機器造成嚴重危害，影響機組的安全運行。傳統(tǒng)的診斷方法是在主軸軸承處加傳感器進行振動測試，得到其頻譜圖；然后在頻域內分析，根據(jù)基于能量分布的故障診斷理論將振動信號功率譜密度按一定的規(guī)則進行量化，利用神經(jīng)網(wǎng)絡等工具進行故障診斷。但是喘振、流體激勵等故障在頻域內通常表現(xiàn)為連續(xù)分布的有色噪聲帶，在頻域內分析難以區(qū)分，難以進行頻譜特征提取，全息譜分析方法也不甚有效。傳統(tǒng)方法增加了系統(tǒng)的開銷，診斷效果不理想。如果在時域內采用信息優(yōu)化方法做預處理，再用傳統(tǒng)的診斷方法進行診斷，可以收到很好的效果。
??? 本文采用時域內故障振動信號的方差、峭度、偏斜度等參數(shù)，分別利用BP神經(jīng)網(wǎng)絡和后驗熵分析對其進行特征提取，研究如何從中找出最能反映故障的特征。
??? 表1為主軸喘振﹑流體激勵故障時振動信號在垂直和水平方向的方差﹑峭度﹑偏斜度等6個參數(shù)的數(shù)據(jù)。
?
??? 設原始特征集合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)絡的輸入，編制程序對神經(jīng)網(wǎng)絡進行訓練，訓練算法采用標準BP算法和Levenberg-Marquardt法兩種方法來訓練BP網(wǎng)絡，從而計算特征參數(shù)的特征靈敏度，確定出對結果影響最大的特征參數(shù)。
??? 
??? 從結果可以看出：偏斜度對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}對應表1中的特征參數(shù)。在特征參數(shù)優(yōu)化過程中，隨著特征的刪除，后驗熵變化較大。當刪除的特征中包含有x5、x6時，后驗熵明顯降低；如僅保留x5、x6時，后驗熵最小。說明偏斜度對這兩種故障最為敏感。
??? 對比這兩種特征提取方法，可以看出它們得到的結論是一樣的。如果采用通頻全息譜法來進行分析，得到的結論相同，從而驗證了這兩種特征提取方法的有效性。
??? 在實際的狀態(tài)監(jiān)測和故障診斷中，可以重點監(jiān)測系統(tǒng)的偏斜度，配合對振動信號的頻譜分析，可以快速地判斷故障類型和具體發(fā)生的時間。
參考文獻
1 徐章遂，房立清，王希武等.故障信息診斷原理及應用[M].北京：國防工業(yè)出版社，2000
2 叢 爽.面向matlab工具箱的神經(jīng)網(wǎng)絡理論與應用[M]. 合肥：中國科學技術大學出版社，2003
3 李世中，吉小軍，朱蘇磊.熵值分析法在特征提取中的應用研究[J].華北工學院學報，1999;20（3）：278～281