[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

摘要

本发明涉及一种基于信息熵改进PCA的故障敏感特征提取方法，其包括步骤：采集往复压缩机的多项运行状态参数；计算故障敏感值，并构造故障敏感特征矩阵；计算故障敏感协方差矩阵；对故障敏感特征协方差矩阵进行分解，得到故障敏感特征协方差矩阵的特征值，得到各个特征值对应的单位化特征向量；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；对故障敏感特征矩阵进行映射变换，得到重构主故障特征矩阵；计算主故障特征矩阵携带的故障信息量及各主特征信息熵加权融合权系数，得到信息熵加权系数矩阵；利用信息熵加权系数矩阵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。

主权项

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=\frac{1}{n-1}{\mathrm{XX}}^T;$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。