孔凡勝+王竹林

摘要：基于電子系統(tǒng)狀態(tài)監(jiān)測為研究背景，傳統(tǒng)的Kernel?Principal?Component?Analysis（核主成份分析法，簡稱KPCA）在狀態(tài)監(jiān)測過程中做數(shù)據(jù)特征降維處理，使得電路狀態(tài)數(shù)據(jù)在消除冗余信息的同時，也能在相應的模型算法計算中很大程度的減少計算步驟，但是KPCA法的降維數(shù)據(jù)處理過程對數(shù)據(jù)樣本貢獻率的識別能力有不足之處，雖然達到了降維的目的，但是對特征樣本數(shù)據(jù)的信息保留能力存在不足。本文中采用經(jīng)驗模態(tài)分解法（Empirical?Mode?Decomposition，簡稱EMD）對輸出信號進行采集處理作為樣本數(shù)據(jù)，設計基于Fisher準則的狀態(tài)信息識別能力分析，采用Estimation?of?Distribution?Algorithms（種群算法，簡稱EDA）對KPCA分析法進行改進研究，通過對數(shù)據(jù)處理，最大限度的保留狀態(tài)主信息，使得在電路系統(tǒng)狀態(tài)監(jiān)測過程中減小實驗誤差，為后續(xù)故障預測打下基礎。

關鍵詞：KPCA;EDA;Fisher準則;EMD;信息識別;

中圖分類號：TP?????????????????文獻標識碼：A

Electronic?System?Based?on?EDA?Algorithm?improve?the?KPCA?Condition?Monitoring

and?Fault?Prediction?Research

Kong?Fan-sheng?，?Wang?Zhu-lin

（Ordnance?Engineering?College，?Shi?Jiazhuang?，?Hebei，?050003）

Abstract：?Condition?monitoring?based?on?electronic?system?as?the?research?background，?the?traditional?Kernel?Principal?Component?Analysis?（Kernel?Principal?Component?Analysis，?KPCA）?do?in?the?process?of?condition?monitoring?data?feature?dimension?reduction?process，?makes?the?circuit?state?data?at?the?same?time?of?eliminating?redundant?information，?as?well?as?the?corresponding?calculation?model?algorithm?greatly?reduces?computation?steps，?but?KPCA?method?of?dimension?reduction?data?processing?for?the?contribution?rate?of?the?data?sample?inadequacies?in?the?ability?to?recognize，?though?achieved?the?purpose?of?dimension?reduction，?but?information?on?the?characteristics?of?the?sample?data?retention?capability?shortcomings.This?article?USES?the?method?of?Empirical?Mode?Decomposition?（Empirical?Mode?Decomposition，?the?EMD）?was?carried?out?on?the?output?signal?as?sample?data?collection?and?processing，?design?based?on?Fisher?criterion?of?state?information?recognition?ability?analysis，?the?Estimation?of?Distribution?Algorithms?（population?algorithm，?referred?to?as?EDA）?to?improve?the?KPCA?analysis?research，?through?the?data?processing，?maximum?retention?state?master?information，?make?the?circuit?system?decrease?experimental?error?in?the?process?of?condition?monitoring，?fault?prediction?to?lay?the?foundation?for?the?follow-up.

Key?word：?KPCA;?EDA;?Fisher?criterion;?EMD;Information?identification;

1?摘要

某型測角儀是裝備訓練的重要控制設備，主要對裝備飛行過程中通過對誤差信息的接收處理，及時輸出調(diào)整信號到主控機，主控機輸出控制指令，從而達到提高裝備命中精度的功能。

基于對某型測角儀的狀態(tài)監(jiān)測與故障預測研究過程，選取一定的模型算法對設備的電子信號處理模塊進行分析研究，通過對采集的數(shù)據(jù)進行提取降維等一系列算法處理，從而達到信息特征狀態(tài)的提取分析，為下一步電子信號模塊的狀態(tài)監(jiān)測與故障預測研究打下基礎[1]。

2?研究內(nèi)容

本文主要是針對某型測角儀TV4信號處理模塊的狀態(tài)監(jiān)測與故障預測研究，采用HSMM為狀態(tài)監(jiān)測模型基礎，通過EMD（經(jīng)驗模態(tài)分解）信號特征提取作為數(shù)據(jù)特征提取方法，應用KPCA做為數(shù)據(jù)特征降維處理，根據(jù)KPCA具有的局限性，采用EDA算法基于fisher準則進行改進處理，使得采用KPCA降維的同時最大限度保證數(shù)據(jù)主信息的完整性。

3?實驗理論

3.1?KPCA分析法

本文是基于HSMM的電子系統(tǒng)信號處理模塊研究，由于提取的特征信號具有冗余和高維的特點[2]，若直接應用到實驗中，會很大限度的降低狀態(tài)監(jiān)測能力，特征降維在于提取包含更多類別信息的狀態(tài)特征，大幅度的消除特征的冗余性，提高狀態(tài)監(jiān)測能力。