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
表1 主轴故障的特征参数序号喘振流体激励 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17.509.21-0.02-0.00-0.22-0.1040.244.10.22-0.42-0.11-0.08226.115.2-0.75-0.92-0.31-0.2170.120.53.821.780.000.16313.89.21-0.81-0.72-0.290.1912.414.2-0.38-0.620.030.0146.28.5-0.01-0.04-0.22-0.238.1533.50.15-0.140.070.10536.111.2-0.61-0.01-0.230.077.2115.2-0.41-0.510.010.01611.59.71-0.81-0.93-0.31-0.1825.730.2-0.370.19-0.11-0.06733.128.2-0.79-0.85-0.07-0.4571.225.33.811.850.010.16837.226.8-0.81-0.87-0.06-0.418.1135.2-0.81-0.130.010.11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。