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<n。其中y确实含有向量x的主要特性。特征提取的方法有很多，常用的方法主要有欧式距离法、概率距离法、统计直方图法、散度准则法等。本文针对现有方法的局限性，研究基于bp神经网络的特征提取方法和基于互信息熵的特征提取方法。1 基于bp神经网络的特征提取方法要从n个特征中挑选出对诊断贡献较大的n个特征参数(n<n)，通常以特征参数x对状态y变化的灵敏度ε作为评价特征参数的度量：εij=(аyi)/(аxj)采用三层bp网络，输入层n个单元对应n个特征参数，输出层m个单元对应m种模式分类，取中间隐层单元数为q，用w b iq表示输入层单元i与隐层单元q之间的连接权；用w o qj表示隐层单元q与输出层单元j之间的连接权，则隐层第q单元的输出oq，为：输出层第j个单元输出yj为：式中j=1，2，…，m；εj为阈值。则特征参数xi对模式类别yj的灵敏度为：代入（1）式，则特征参数xi的灵敏度εij和特征参数xk的灵敏度εkj之差可整理为：大量的试验和研究表明，当网络收敛后有：a1≈a2≈…≈aq。从上式可以看出，如果：则必有：εij＞εki即特征参数xi对第j类故障的分类能力比特征参数xk强。将特征参数x和分类模式分类结果y组成的样本集作为bp网络的学习样本，对网络进行训练。设wiq和wkq分别为与特征参数xi和xk对应输入单元与隐层单元q之间的连接权系数，记：│wεi│=│wi1│+wi2+…+wiq│wεk│=│wk1│+wk2+…+wkq如果│wεi│>│wεk│，则可以认为xi的特征灵敏度εi比特征参数xk的灵敏度εk大。这样可知特征参数xi的分类能力比特征参数xk的分类能力强。2 基于互信息熵的特征提取方法由信息特征可知，当某特征获得最大互信息熵，该特征就可获得最大识别熵增量和最小误识别概率，因而具有最优特性。特征提取过程就是在由给定的n个特征集x二{xi~x2，…，zn)所构成的初始特征集合情况下，寻找一个具有最大互信息熵的集合：x＝{x1，x2，…，xk}，k<n。由于最大互信息熵由系统熵和后验熵决定，而系统熵是一定的，后验熵越小，则互信息熵越大，分类效果越好。因此有效的特征提取就是在x给定后，寻找一个具有最大互信息熵或后验熵的集