故障特征提取的方法研究
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
本文链接地址:http://www.oyaya.net/fanwen/view/166013.html
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
《故障特征提取的方法研究(第3页)》