[发明专利]一种基于信息熵改进PCA的故障敏感特征提取方法

说明书

技术领域

本发明涉及一种机械故障诊断领域中的故障特征提取方法，特别是关于一种用于往复压缩机故障诊断的基于信息熵改进PCA(主成分分析)的故障敏感特征提取方法。

背景技术

往复压缩机广泛应用于石油、化工等工业领域，承担着重要的动力输出、能量转换等任务，在生产中属于关键设备。在往复压缩机故障诊断中，故障敏感特征提取是故障诊断的一个重要环节，它直接影响到故障诊断结果的准确性。

现有往复机械故障诊断方法利用振动信号或压力信号等提取故障敏感特征，若只依据单一参数对设备进行特征提取，会给设备故障诊断带来局限性。且在往复压缩机故障诊断中，多个监测变量之间存在一定的相关关系的，若直接用多变量进行提取，会导致计算量过大；而采用单变量提取故障特征导致故障诊断结果不准确，并且不全面等问题。因此，如何采用多个监测变量对设备故障进行诊断成为亟待解决的问题。

发明内容

针对上述问题，本发明的目的是提供一种基于信息熵改进PCA的故障敏感特征提取方法，该方法有效降低故障特征的相关性、为往复压缩机故障诊断提供可靠依据。

为实现上述目的，本发明采取以下技术方案：一种基于信息熵改进PCA的故障敏感特征提取方法，其包括以下步骤：1)利用现有数据采集系统采集往复压缩机的多项运行状态参数；2)根据往复压缩机多项运行状态参数计算故障敏感值，并构造故障敏感特征矩阵X_m×n，n表示运行状态个数，m表示特征个数；3)利用故障敏感特征矩阵X_m×n计算故障敏感协方差矩阵C，将故障敏感特征矩阵X_m×n简写为X：

C=1n-1XXT;]]>

4)利用eig函数或SVD分解方法对故障敏感特征协方差矩阵C进行分解，得到故障敏感特征协方差矩阵的特征值，并对特征值进行降序排列，得到各个特征值对应的单位化特征向量；5)根据步骤4)中得到的特征值，计算第i个主成分的贡献p_i及前j个主成分累积贡献率p_lj，并以累积贡献率为限，选取前k个特征值对应的特征向量进行组合形成映射矩阵P：P＝[u₁,u₂,…,u_k]；u_k为第k个特征值对应的特征向量；6)利用映射矩阵P对故障敏感特征矩阵X进行映射变换，得到重构主故障特征矩阵Y：Y＝P^TX；7)计算主故障特征矩阵Y携带的故障信息量E_i及各主特征信息熵加权融合权系数w_i，进而得到信息熵加权系数矩阵W；其中主故障特征矩阵Y的每个列向量即为各主故障特征；8)利用信息熵加权系数矩阵W对各主故障特征进行信息熵加权融合，得到融合故障敏感特征Y_F为：Y_F＝Y^T*W，通过融合故障敏感特征Y_F综合反映往复压缩机运行状况。

所述步骤(5)中，所述第i个主成分的贡献p_i及前j个主成分累积贡献率p_lj分别为：

p_i-λiΣi=1mλi,]]>