机械故障模式识别的ＩＣＡ基神经网络方法

焦卫东　杨世锡　吴昭同

摘要：神经网络、特别是基于无导师学习的自组织映射(SOM)网络是一种优良的模式聚类与识别方法，而独立分量分析(ICA)则是一个强有力的非高斯数据分析工具。其中，基于特征矩阵联合近似对角化的JADE算法是一种鲁棒且数值稳定的代数ICA方法，特别适合用于多变量特征抽取。本文首先利用JAl)E进行不同机械状态模式(包括正常和齿轮点蚀故障状态)的特征提取，随后以此训练某一典型神经网络(如多层感知器、径向基网络或自组织映射网络)，以实现模式的最终分类。借助ICA及基于残余互信息(RMI)的二次特征抽取策略，隐藏于多通道振动观测中的高阶特征得以有效提取，从而实现机械状态模式的准确识别。对照分类实验结果表明，基于ICA—SOM分类方法不仅具有较好的故障模式分类能力，且实现简单，在机器健康状况监测中有较大的应用潜力。

关键词：独立分量分析；残余互信息；多层感知器；径向基函数网络；自组织映射；特征矩阵联合近似对角化

中图分类号：TN912．3

文献标识码：A

文章编号：1003—6199(2003)02—063—05