一种基于信息熵改进PCA的故障敏感特征提取方法.pdf

摘要
申请专利号：	CN201410654345.9	申请日：	2014.11.17
公开号：	CN104361238A	公开日：	2015.02.18
当前法律状态：	驳回	有效性：	无权
法律详情：	发明专利申请公布后的驳回IPC(主分类):G06F 19/00申请公布日:20150218\|\|\|实质审查的生效IPC(主分类):G06F 19/00申请日:20141117\|\|\|公开
IPC分类号：	G06F19/00(2011.01)I	主分类号：	G06F19/00
申请人：	北京信息科技大学
发明人：	陈涛; 徐小力; 王立勇; 王少红
地址：	100192北京市海淀区清河小营东路12号机电系统测控重点实验室
优先权：
专利代理机构：	北京远大卓悦知识产权代理事务所(普通合伙)11369	代理人：	贺持缓
PDF下载：	PDF下载

内容摘要

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。

权利要求书

权利要求书
1.  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Xm×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Xm×n计算故障敏感协方差矩阵C，将故障敏感特征矩阵Xm×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,…,uk]；uk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＝PTX；
7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，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＝YT*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。

2.  如权利要求1所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：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,]]>
p_lj=Σi=1jλiΣi=1mλi,]]>
式中，λi为故障敏感协方差矩阵C的特征值。

3.  如权利要求1所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(5)中，所述累积贡献率为85％或90％。

4.  如权利要求2所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(5)中，所述累积贡献率为85％或90％。

5.  如权利要求1或2或3或4所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(7)中，所述故障信息量Ei为：
Ei=λiΣi=1nλi,i=1,2,...,k,]]>
根据所述故障信息量Ei得到所述主特征信息熵加权融合权系数wi为：
wi=EiΣi=1nEi,i=1,2,...,k,]]>
根据各所述主特征信息熵加权融合权系数wi得到所述信息熵加权系数矩阵W为：
W＝diag[w1,w2,…,wk]。

说明书

说明书一种基于信息熵改进PCA的故障敏感特征提取方法
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Xm×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Xm×n计算故障敏感协方差矩阵C，将故障敏感特征矩阵Xm×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,…,uk]；uk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＝PTX；7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，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＝YT*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,]]>
p_lj=Σi=1jλiΣi=1mλi,]]>
式中，λi为故障敏感协方差矩阵C的特征值。
所述步骤(5)中，所述累积贡献率为85％或90％。
所述步骤(7)中，所述故障信息量Ei为：
Ei=λiΣi=1nλi,i=1,2,...,k,]]>
根据所述故障信息量Ei得到所述主特征信息熵加权融合权系数wi为：
wi=EiΣi=1nEi,i=1,2,...,k,]]>
根据各所述主特征信息熵加权融合权系数wi得到所述信息熵加权系数矩阵W为：W＝diag[w1,w2,…,wk]。
本发明由于采取以上技术方案，其具有以下优点：1、本发明由于基于信息熵对PCA改进，以主故障特征携带的故障信息量为度量，计算主故障特征的故障贡献率对主故障特征进行赋权从而进行故障特征融合，得到融合故障特征客观有效，降低了故障特征的相关性、为往复压缩机故障诊断提供可靠依据。2、本发明由于采用的故障敏感特征提取是从监测数据出发提取故障特征，简单实用，可以有效降低故障特征的相关性。3、本发明由于提取的融合故障敏感特征可以综合反映设备运行状况，可以为往复压缩机故障提供可靠依据。本发明可以广泛在机械故障诊断特征提取领域中应用。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种基于信息熵改进PCA的故障敏感特征提取方法，该方法针对实际监测得到的往复压缩机多个运行状态数据之间存在一定的相关关系，为提取出全面反映设备故障的敏感特征，结合PCA(主成分分析)分析方法实现数据降维融合的优点和信息熵定量评价故障敏感特征贡献率的优点，提取出全面反映设备故障的融合敏感特征。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压力、温度、流量等多项运行状态参数；
2)根据往复压缩机多项运行状态参数计算故障敏感值(如压力最大值、最小值；温度最大值、最小值；流量平衡、载荷等)，构造故障敏感特征矩阵Xm×n，n表示运行状态个数，m表示特征个数；
Xm×n=x11x12...x1nx21x22...x2n............xm1xm2...xmn]]>
式中，xmn为第m个特征的第n个运行状态的故障敏感值。
3)利用故障敏感特征矩阵Xm×n计算故障敏感协方差矩阵C，协方差矩阵在一定程度上反映了多变量之间的关系，将故障敏感特征矩阵Xm×n简写为X。
C=1n-1XXT---(1)]]>
4)利用eig函数或SVD分解(奇异值分解)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：
λiui＝Cui，i＝1，2，…，m  (2)
根据式(2)计算得到故障敏感协方差矩阵的特征值λ1，λ2，…，λm；对应的单位化特征向量为u1,u2,…,um。其中，m为自然数。
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,…,uk]；在本发明中累积贡献率取85％或90％。
p_i-λiΣi=1mλi---(3)]]>
p_lj=Σi=1jλiΣi=1mλi---(4)]]>
贡献率表示所选特征在整个故障敏感特征矩阵中承担的主要意义占多大的比重，当取前k个主成分来代替原来全部变量时，累计贡献率的大小反应了这种取代的可靠性，累计贡献率越大，可靠性越大；反之，则可靠性越小。
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＝PTX  (5)
7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，进而得到信息熵加权系数矩阵W。
故障信息量Ei为各主故障特征提供故障信息的概率，利用主故障特征矩阵对应的特征值来进行计算故障信息量Ei，其中最大特征值λ1对应的最大特征向量u1映射得到的就是第一主故障特征Y1，也就是第二大特征值λ2对应的特征向量u2映射得到第二主故障特征Y2，即主故障特征矩阵Y的每个列向量即为各主故障特征。故障信息量Ei为：
Ei=λiΣi=1nλi,(i=1,2,...,k)---(6)]]>
根据故障信息量Ei得到主特征信息熵加权融合权系数wi为：
wi=EiΣi=1nEi,(i=1,2,...,k)---(7)]]>
根据各主特征信息熵加权融合权系数wi得到信息熵加权系数矩阵W为：
W＝diag[w1,w2,…,wk]  (8)
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，即可得到融合故障敏感特征Y_F为：
Y_F＝YT*W，  (9)
融合故障敏感特征Y_F能综合反映往复压缩机运行状况，可以为故障诊断提供可靠的依据。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

资源描述

《一种基于信息熵改进PCA的故障敏感特征提取方法.pdf》由会员分享，可在线阅读，更多相关《一种基于信息熵改进PCA的故障敏感特征提取方法.pdf（8页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104361238 A(43)申请公布日 2015.02.18CN104361238A(21)申请号 201410654345.9(22)申请日 2014.11.17G06F 19/00(2011.01)(71)申请人北京信息科技大学地址 100192 北京市海淀区清河小营东路12号机电系统测控重点实验室(72)发明人陈涛徐小力王立勇王少红(74)专利代理机构北京远大卓悦知识产权代理事务所(普通合伙) 11369代理人贺持缓(54) 发明名称一种基于信息熵改进PCA的故障敏感特征提取方法(57) 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。

2、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。(51)Int.Cl.权利要求书2页说明书4页。

3、附图1页(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页说明书4页附图1页(10)申请公布号 CN 104361238 ACN 104361238 A1/2页21.一种基于信息熵改进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Xmn，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Xmn计算故障敏感协方差矩阵C，将故障敏感特征矩阵Xmn简写为X：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。

4、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：Pu1,u2,uk；uk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：YPTX；7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，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。

5、行信息熵加权融合，得到融合故障敏感特征Y_F为：Y_FYT*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。2.如权利要求1所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：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：式中，i为故障敏感协方差矩阵C的特征值。3.如权利要求1所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(5)中，所述累积贡献率为85或90。4.如权利要求2所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(5)中，所述累积贡献率为85或90。5.如权利要求1或。

6、2或3或4所述的一种基于信息熵改进PCA的故障敏感特征提取方法，其特征在于：所述步骤(7)中，所述故障信息量Ei为：权利要求书CN 104361238 A2/2页3根据所述故障信息量Ei得到所述主特征信息熵加权融合权系数wi为：根据各所述主特征信息熵加权融合权系数wi得到所述信息熵加权系数矩阵W为：Wdiagw1,w2,wk。权利要求书CN 104361238 A1/4页4一种基于信息熵改进 PCA 的故障敏感特征提取方法技术领域0001 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。

7、取方法。背景技术0002 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。0003 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。

8、题。发明内容0004 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。0005 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Xmn，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Xmn计算故障敏感协方差矩阵C，将故障敏感特征矩阵Xmn简写为X：0006 0007 4)利用eig函数或SVD分解方法。

9、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：Pu1,u2,uk；uk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：YPTX；7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，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。

10、；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_FYT*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。0008 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：说明书CN 104361238 A2/4页50009 0010 0011 式中，i为故障敏感协方差矩阵C的特征值。0012 所述步骤(5)中，所述累积贡献率为85或90。0013 所述步骤(7)中，所述故障信息量Ei为：0014 0015 根据所述故障信息量Ei得到所述主特征信息熵加权融合权系数wi为：0016 0017 根据各所述主。

11、特征信息熵加权融合权系数wi得到所述信息熵加权系数矩阵W为：Wdiagw1,w2,wk。0018 本发明由于采取以上技术方案，其具有以下优点：1、本发明由于基于信息熵对PCA改进，以主故障特征携带的故障信息量为度量，计算主故障特征的故障贡献率对主故障特征进行赋权从而进行故障特征融合，得到融合故障特征客观有效，降低了故障特征的相关性、为往复压缩机故障诊断提供可靠依据。2、本发明由于采用的故障敏感特征提取是从监测数据出发提取故障特征，简单实用，可以有效降低故障特征的相关性。3、本发明由于提取的融合故障敏感特征可以综合反映设备运行状况，可以为往复压缩机故障提供可靠依据。本发明可以广泛在机械故障诊断特。

12、征提取领域中应用。附图说明0019 图1是本发明的整体流程示意图。具体实施方式0020 下面结合附图和实施例对本发明进行详细的描述。0021 如图1所示，本发明提供一种基于信息熵改进PCA的故障敏感特征提取方法，该方法针对实际监测得到的往复压缩机多个运行状态数据之间存在一定的相关关系，为提取出全面反映设备故障的敏感特征，结合PCA(主成分分析)分析方法实现数据降维融合的优点和信息熵定量评价故障敏感特征贡献率的优点，提取出全面反映设备故障的融合敏感特征。其包括以下步骤：0022 1)利用现有数据采集系统采集往复压缩机的压力、温度、流量等多项运行状态参数；0023 2)根据往复压缩机多项运行状态参。

13、数计算故障敏感值(如压力最大值、最小值；温度最大值、最小值；流量平衡、载荷等)，构造故障敏感特征矩阵Xmn，n表示运行状态个说明书CN 104361238 A3/4页6数，m表示特征个数；0024 0025 式中，xmn为第m个特征的第n个运行状态的故障敏感值。0026 3)利用故障敏感特征矩阵Xmn计算故障敏感协方差矩阵C，协方差矩阵在一定程度上反映了多变量之间的关系，将故障敏感特征矩阵Xmn简写为X。0027 0028 4)利用eig函数或SVD分解(奇异值分解)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。

14、化特征向量：0029 iuiCui，i1，2，m (2)0030 根据式(2)计算得到故障敏感协方差矩阵的特征值1，2，m；对应的单位化特征向量为u1,u2,um。其中，m为自然数。0031 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：Pu1,u2,uk；在本发明中累积贡献率取85或90。0032 0033 0034 贡献率表示所选特征在整个故障敏感特征矩阵中承担的主要意义占多大的比重，当取前k个主成分来代替原来全部变量时，累计贡献率的大小反应了这种取代的可靠性，累计贡献。

15、率越大，可靠性越大；反之，则可靠性越小。0035 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。0036 YPTX (5)0037 7)计算主故障特征矩阵Y携带的故障信息量Ei及各主特征信息熵加权融合权系数wi，进而得到信息熵加权系数矩阵W。0038 故障信息量Ei为各主故障特征提供故障信息的概率，利用主故障特征矩阵对应的特征值来进行计算故障信息量Ei，其中最大特征值1对应的最大特征向量u1映射得到的就是第一主故障特征Y1，也就是第二大特征值2对应的特征向量u2映射得到第二主故障特征Y2，即主故障特征矩阵Y的每个列向量即为各主故障特征。故障信息量Ei为：0039。

16、说明书CN 104361238 A4/4页70040 根据故障信息量Ei得到主特征信息熵加权融合权系数wi为：0041 0042 根据各主特征信息熵加权融合权系数wi得到信息熵加权系数矩阵W为：0043 Wdiagw1,w2,wk (8)0044 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，即可得到融合故障敏感特征Y_F为：0045 Y_FYT*W， (9)0046 融合故障敏感特征Y_F能综合反映往复压缩机运行状况，可以为故障诊断提供可靠的依据。0047 上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。说明书CN 104361238 A1/1页8图1说明书附图CN 104361238 A。

展开阅读全文