焦衛(wèi)東　楊世錫　吳昭同

摘要：神經(jīng)網(wǎng)絡(luò)、特別是基于無導(dǎo)師學(xué)習(xí)的自組織映射(SOM)網(wǎng)絡(luò)是一種優(yōu)良的模式聚類與識(shí)別方法，而獨(dú)立分量分析(ICA)則是一個(gè)強(qiáng)有力的非高斯數(shù)據(jù)分析工具。其中，基于特征矩陣聯(lián)合近似對(duì)角化的JADE算法是一種魯棒且數(shù)值穩(wěn)定的代數(shù)ICA方法，特別適合用于多變量特征抽取。本文首先利用JAl)E進(jìn)行不同機(jī)械狀態(tài)模式(包括正常和齒輪點(diǎn)蝕故障狀態(tài))的特征提取，隨后以此訓(xùn)練某一典型神經(jīng)網(wǎng)絡(luò)(如多層感知器、徑向基網(wǎng)絡(luò)或自組織映射網(wǎng)絡(luò))，以實(shí)現(xiàn)模式的最終分類。借助ICA及基于殘余互信息(RMI)的二次特征抽取策略，隱藏于多通道振動(dòng)觀測(cè)中的高階特征得以有效提取，從而實(shí)現(xiàn)機(jī)械狀態(tài)模式的準(zhǔn)確識(shí)別。對(duì)照分類實(shí)驗(yàn)結(jié)果表明，基于ICA—SOM分類方法不僅具有較好的故障模式分類能力，且實(shí)現(xiàn)簡(jiǎn)單，在機(jī)器健康狀況監(jiān)測(cè)中有較大的應(yīng)用潛力。

關(guān)鍵詞：獨(dú)立分量分析；殘余互信息；多層感知器；徑向基函數(shù)網(wǎng)絡(luò)；自組織映射；特征矩陣聯(lián)合近似對(duì)角化

中圖分類號(hào)：TN912．3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003—6199(2003)02—063—05