蔡斌斌,蒋 鹏,金炜东,秦 娜

(西南交通大学电气工程学院,成都610031)

一种动态特征选取方法及其在故障诊断中的应用

蔡斌斌,蒋 鹏,金炜东,秦 娜

(西南交通大学电气工程学院,成都610031)

针对高铁故障数据的特点,以高速列车走行部(主要指转向架)常见故障的实测数据为研究对象,提出一种动态特征选取方法。通过结合Fisher比率和模糊熵方法对其特征空间进行评估,有效去除冗余特征,利用加权平均方法选取优化的特征子集,从而实现故障分类。实验结果表明,与Fisher比率方法、模糊熵方法相比,该方法能提高不同列车速度下高铁故障的分类准确度及低速时的分类稳定性;与原特征空间方法相比,使用该方法提取最优特征空间后各列车速度下的分类准确率平均提高了5.2%。

特征选取;模糊熵;Fisher比率;故障分类;相似性分类器;鲁棒性

1 概述

特征评估和特征选取是模式识别中一个重要的研究内容,在模式识别中往往会提取多个特征,但是在众多的特征中哪些特征起到的作用大、哪些是无用的特征是研究的重点和难点,同时也引起了国内外研究者的关注。目前有多种特征选取方法。特征选择是从原始特征集中选取特征子集的过程,适当的特征选择可有效去除不相关和冗余特征,提升算法学习效率［1-3］。特征选择方法可以分为:嵌入,过滤和包裹等方法。国内外许多学者提出多种特征评价准则,取得了明显效果。然而,单一的特征评价准则往往只从不同侧面评价特征,无法全面评价特征子集的好坏,从而造成特征选择的普适性较差、分类精度较低。……