如何从采集到的信号中提取有效的特征值

　　齿轮故障诊断的关键是如何从采集到的信号中提取有效的特征值来表征其故障状态。传统的特征提取方法得到的特征量之间往往存在冗余信息，以及错误的干扰信息，这些信息往往会降低诊断的效率甚至误导诊断的结果。本文提出了一种基于粗糙集神经网络的齿轮故障诊断方法，先利用粗糙集对提取的齿轮特征集进行属性约减，然后以约减后的特征集作为输入，利用BP神经网络进行建模，有效的提高的齿轮故障诊断的效率和精度。

　　粗糙集神经网络结构和原理：基于粗糙集的特征属性约简粗糙集的概念 早是由Z.Pawlak提出的，它在不精确、不确定和不完备系统的知识发掘中有着非常广泛的应用。其主要思想是，在保持信息系统分类能力不变的前提下，通过属性的约减，导出问题的决策或分类规则。塑料液下泵在高维特征量的数据预处理中，粗糙集可以用来对高维数据进行属性约减，消除特征数据中的冗余信息，从而达到对高维特征量的降维处理，得到更加精确的特征量。利用粗糙集进行特征属性约减可以分以下几个步骤进行：

　　1)论域的界定：设21nxU为被研究对象的一个非空集合，称为论域。定义fVD为一个信息系统，其中DCP为属性集合;C为条件属性，D为决策属性;pUV∈=α，是属性P∈α的值域集合;VPUf→×：是一个信息函数。

　　2)特征属性的离散：特征属性的离散是将论域中所有对象的属性集按照一定的方式进行插值，得到一系列的离散化区间，从而将原来的属性集划分到不同的离散区间，减少属性集值域的大小。

　　3)知识的约减：知识约减是通过计算区分矩阵和分辨函数来获得信息系统S的 小知识覆盖，去掉不必要的属性，达到系统的 简化。

　　4)逻辑规则的产生：根据约减后的简化形式，确定信息系统的知识核，获得所有决策类的规则集合。