基于过滤器-封装器组合模型的故障特征选择算法-上海联兵环保免费电话：400-600-5030

摘要:利用过滤器法运行速度快和封装器法精度高的优点,提出了一种新的Filter-Wrapper两阶段组合式特征选择算法。在Filter阶段,算法采用Fisher准则对特征进行排序;在Wrapper阶段,以分类器的性能作为适应度函数,根据特征排序结果采用遗传算法搜索特征子集。运用滚动轴承故障模拟试验的数据对所提出的算法进行了验证,结果表明,相比单一的过滤器法或封装器法,该算法能够同时提高特征选择的性能和效率。
关键词:故障诊断;特征选择;过滤器法;封装器法
中图分类号:TH117　　　文章编号:1004—132X(2007)16—1988—04
引言
在进行设备的状态监测与故障诊断时,原始故障特征集中常常存在一些与分类目标无关的特征(噪声)及与其他特征相关的冗余特征,为了消除它们对分类器性能的影响,在故障识别前,必须对原始故障特征集进行特征选择[1]。目前,特征选择方法主要有Filter法[1,2]和Wrapper法[3,4]两大类。一般来说,Filter法效率高但精度有限,Wrapper法由于与分类错误率直接关联,准确率高于Filter法,但运行效率较低[5,6]。为了能够同时提高特征选择的性能和效率,笔者将Filter法和Wrapper法相结合,综合两者优点,提出了一种新的适用于机械设备状态监测与故障诊断的Filter-Wrapper两阶段组合式特征选择算法。
采用这种方法既可以克服Filter法过滤掉重要特征导致系统精度下降的缺点,又可以增加Wrap-per法的运行效率,使特征选择在精度和效率上都达到满意的效果。
1　Filter-Wrapper组合模型
特征选择涉及两个关键问题:一是特征子集的搜索策略;二是特征的评价标准。本文以Fish-er准则作为Filter阶段的特征评价标准,以分类器性能函数作为Wrapper阶段的特征评价标准,并以遗传算法为搜索策略,建立Filter-Wrapper两阶段组合特征选择模型。.
1　特征的评价标准
特征的评价标准主要有Fisher准则、信息熵及分类器性能函数等。
(1)Fisher准则。各类样本可以分开是因为它们位于特征空间的不同区域,显然这些区域之间的距离越大,类别的可分性就越大[7]。特征参数的类别可分离性可以用Fisher准则来判定:

其中,系数α表示特征数对分类器性能函数f的贡献,α越大表示特征子集的大小越重要,本文取α=0·1,即认为分类的准确率对分类器性能函数更重要,而特征数目的减少次之。
1.2　特征子集的搜索策略
在用遗传算法解决特征选择问题时,首先需要把每个解编码成基因链码,一般用二进制染色体编码,即用一个由0和1构成的D位字符串表示一种特征组合,1表示对应的特征被选中,0表示对应的特征未被选中。遗传算法根据个体染色体的适应度大小进行选择、交叉、变异等操作以得到下一代,如此迭代下去,直到满足终止条件而结束,然后输出适应度最高的个体作为最终的特征选择方案。
利用遗传算法解决特征选择问题时既可以采用Filter法,又可以采用Wrapper法,所不同的是采用不同的特征子集评价标准作为适应度函数。
1.3　Filter-Wrapper算法描述
Filter-Wrapper组合特征选择由两个阶段组成。在Filter阶段,采用Fisher准则得到每个特征的权重,按照权重的大小对特征进行排序。特征的选择独立于分类学习算法,特征排序的结果用来加速Wrapper阶段的搜索而不产生特征子集。在Wrapper阶段,特征选择封装在学习算法过程中,采用分类器的性能函数作为遗传算法的适应度评价标准,并利用Filter阶段得到的特征权值来指导遗传算法种群的初始化,从而使得遗传算法可采用小的迭代次数和小的种群规模以寻找到最优特征子集。
1.3.1　运用Fisher比进行特征排序
通过Fisher准则可以得到原始特征的权重,因此计算每一个特征的Fisher比并将它们按大小排列(排序靠前表示该特征的类别区分度较好),排序的结果并不直接用于特征选择,而是用来指导Wrapper阶段遗传算法的搜索过程,以便在较短的时间内寻找到最优特征子集,从而提高Wrapper算法的运行效率。
1.3.2　遗传算法种群的初始化
初始种群对遗传算法的性能的影响很大,一个好的种群能够为遗传算法提供一批好的搜索起点。特征的Fisher比为遗传算法提供了有益的先验知识,根据Fisher比可以得到特征的被选概率。如果某个特征的Fisher比较大(排序在前),则染色体个体中该特征对应位为1的概率就大一些,反之如果该特征的Fisher比较小(排序靠后),则对应位为1的概率就小一些。具体操作如

2　算法验证及结果
2.1　故障模拟试验
为了测试上述方法的性能,利用滚动轴承试验台模拟了滚动轴承在实际工况中的各类故障[8]。从故障产生机理看,表面疲劳是滚动轴承失效的主要形式之一,同时考虑油液中磨损颗粒浓度的显性能力,本研究采用油液监测与振动监测信息融合的方法进行联合诊断。为减小振动分析工作量并提高分析的可靠性,试验轴承选用故障特征振动信号分析与处理理论较为完善的深沟滚珠轴承,型号为6306,保持架为金属。试验故障为人工诱导故障。将滚动轴承状态分为正常状态、保持架破坏、内圈磨损、外圈磨损、滚动体破坏等5种模式。故障模式制作成功后,试验前均进行清洗处理,然后将轴承装在可动轴承座里,试验时润滑系统强制给轴承供油,使试验轴承处于全浴状态。
试验中,同步提取各类损伤轴承的振动信号和油液信息,油液分析仪器采用美国Spectro公司的光谱分析仪和英国Swansea Oil AnalysisProducts Ltd公司的PQP测量仪。光谱分析仪可以对润滑油中的磨损金属、污染物及添加剂进行多元素同时测定,PQP测量仪用来测定润滑油中铁磁性磨粒的含量。振动信号由安装在不同部位的两个压电加速度传感器获取,对振动信号的预处理采用时域分析,本文采用统计特征参量分析方法提取了振动时序信号的加速度均方根(root mean square,RMS)、方差、峰值指标和峭度指标等特征参数。
2.2　故障特征选择
我们对文献[2]所采用的过滤器法、文献[3]所采用的封装器法以及本文提出的组合方法进行了比较分析,采用k近邻分类法(k- nearestneighbors,KNN)和BP神经网络两种方法进行故障诊断,以验证各种特征选择方法在不同分类器的实际性能。
对滚动轴承故障模拟试验的油液信息和振动信息进行分析,获得不同模拟试验条件下,轴承不同损伤部位、不同损伤程度的特征参数共16个,在这些参数中有意地选择了一些冗余特征和无关特征(如两个振动传感器安装的位置虽然不同,但它们的相同特征之间存在着一定的相关性),试验共产生80组样本,部分试验数据如表1所示。

由于16个特征参数的量级不同,从而导致它们之间不具有可比性。为了消除量纲的影响,对所有的试验数据按下式进行归一化处理:

特征选择试验重复了3次,每次均将数据集随机打乱后选出60个数据作为训练集,另外20个数据作为测试集。每次试验记录下算法运行的时间和对应的测试集的分类识别率。
3 种方法中,遗传算法均采用轮盘赌选择法、分散交叉算子和均匀变异算子。对于Filter和Wrapper法,种群规模设置为100,最大迭代次数为50,交叉概率为0·8,变异概率为0·1,终止条件设为连续10代适应度值没有调整或达到最大迭代次数。对于Filter-Wrapper法,由于采取了特殊的初始化种群,所以种群规模缩小为30,最大迭代次数为20。
神经网络采用包含一个隐含层的3层BP网络。输入层节点数为输入的特征数;输出层为判决分类层,其节点个数为分类类别数。隐含层节点数选取是一个难题,Maren等[9]指出,最佳隐含层节点数可取输入层和输出层节点数的几何均值。隐含层和输出层的传递函数均为log-sig-moid型。网络训练采用误差反向传播的方法来调整节点间的权值连接以及结构自适应学习速率和附加动量项,这样既可以加快学习速度,又可以防止网络振荡。迭代次数为800。
2.3　试验结果及讨论
评价一个特征选择算法可以从三个方面考虑:分类准确率、特征子集大小及算法的运行效率。表2从这三个方面对各特征选择算法的性能进行了比较。
从表2可以看出,采用不同的特征选择方法和分类器得到的特征子集并不完全相同。文献[2]采用Fisher比作为特征子集的评价标准,采用该算法不能有效剔除原始特征集的冗余特征,所得到的特征子集中含有彼此相关的冗余特征(如来自两个振动传感器的相同特征即方差-1和方差-2、峰值-1和峰值-2、峭度-1和峭度-2互为冗余特征),而且分类器的识别率都出现了下降,已经不能满足故障诊断的要求;文献[3]以神经网络的实际分类效果作为适应度评价标准,该算法能够同时剔除原始特征中的冗余特征和噪声特征,就系统识别率来说,特征子集能够保证系统精度的要求,但算法的运行效率较低,尤其是采用神经网络时,算法的运行时间达到260min,计算效率上的劣势尤为明显。采用本文提出的Filter-Wrapper模型时,算法获得了和Wrapper算法一样的识别率和特征子集,在计算效率上则明显高于Wrapper算法。试验证明,提出的算法用于故障特征的选择不仅是可行的,而且能够同时获得较高的性能和效率。

3　结束语
本文提出了一种用于故障诊断的Filter-Wrapper两阶段组合式特征选择算法,该算法综合了Filter法运行速度快和Wrapper法精度高的优点。滚动轴承故障特征选择试验表明,该方法既有较高的运行效率,又有很高的分类准确率,因而在故障特征的选择上具有较强的竞争力。

上海联兵环保科技有限公司
地址：上海市松江区工业区茸北分区茸阳路69号
总机：021-51691929
传真：021-57784244
免费电话：400-600-5030
技术支持：13641659499
E-mail：zhanglianbing@126.com
http://www.shlbhb.com