针对传统剩余使用寿命预测模型难以解决长时依赖问题以及不同特征组合对模型预测精度影响大的问题,提出一种基于特征选择与Transformer的剩余使用寿命预测模型。首先利用以互信息为理论基础的最大相关最小冗余特征选择算法,捕获特征与标签、特征与特征的关系,得到最佳特征组合;然后以Transformer的编码器为主体并加入门控卷积单元组成预测模型,使模型可以充分捕捉全局信息且提高运算效率的基础上也更加注重局部信息;通过网格搜索与粒子群算法确定模型超参数。最后将最优特征组合的变量数据输入模型实现涡扇发动机剩余使用寿命预测。利用此方法在C-MAPSS数据集进行验证,并进行对比实验,结果表明预测误差与模型效率均有一定改进。

针对数控加工过程能耗现场采集困难,难以实现精确预测的难题,提出了一种多特征数据驱动的数控铣削加工能耗预测方法。首先,对影响数控铣削加工过程能耗的特征属性进行分析,提出了多特征数据采集及处理方法;其次,运用ReliefF的特征选择算法,对能耗预测影响较大的特征数据进行筛选,确定能耗预测的输入特征数据;运用人工蜂群优化BPNN神经网络(ABC-BPNN)的算法对数控铣削加工过程进行能耗预测;最后,通过某工件表面铣削加工案例对所提的方法进行验证,并进行算法对比,说明了所选方法的有效性。

三相异步电机故障发生率高,用电量大且故障难以早期识别。基于此,提出一种基于模糊熵特征选择和支持向量机(Support Vector Machine,SVM)的故障诊断方法。通过构造故障再现试验,测取其四种不同状态类别的多测点振动信号样本,采用模糊熵计算其模态分量的模糊熵样本值,得到四种不同状态类别的模糊熵故障特征向量。然后,结合支持向量机算法,构建支持向量机分类模型,划分模糊熵特征量训练样本和测试样本。通过构造的SVM模型训练和验证,验证结果表明故障诊断准确度达到97.5%,利用常用的改进BP神经网络诊断方法进行对比,准确度为92.5%,结果表明基于模糊熵特征选择与SVM方法在诊断精度上更高。

为解决传统湿式双离合器变速器(Dual Clutch Transmission,DCT)控制策略在硬件误差以及复杂工况下液压响应预测精度不完全可控的问题,提出了一种基于SHAP图可解释极端随机树预测模型,使用机器学习方法结合某汽车公司DCT实验室采集的真实离合器数据对DCT液压响应进行预测。模型利用SHAP算法对于重要特征选择的可解释性,筛选并保留对液压响应影响较大的特征,将时间切片和升降压判定作为特征加入训练数据,训练预测模型。结果表明,该模型训练结果的均方误差MSE为0.6703,可决系数R2为1.0000,并且在测试集上预测值与实际值之间的平均误差为12.99 kPa,远低于设计误差25 kPa,具有较高的预测精度,特征选择较准确,可以很好地解决传统物理模型无法计算不同工况下液压响应的问题,为下阶段基于数据和物理双驱动的DCT控制策略优化提供较准确的预测结果。

针对炭素制品X射线检测图像的特点，对缺陷及其特征提取与选择技术进行了研究。分析了炭素制品生产中易产生的缺陷类型及缺陷的成像特征，在此基础上，从缺陷样本中提取了19个特征值。以特征组合分类能力数学模型为适应度函数，设计了基于遗传算法的特征选择策略，实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。研究结果表明，提出的选择方法是比较有效的，可以用于缺陷的识别与分类。

高效、高精度的气动热预示是高超声速飞行器设计的关键。然而,随着高超声速飞行器外形的日益复杂化和设计周期的不断缩紧,现有方法已很难满足高效精准的气动热预示。本文基于边界层理论和支持向量机发展了一种数据驱动的当地化气动热预示建模方法。首先,通过求解Euler方程获得边界层外缘信息,采用RANS方法计算热流分布样本;然后,通过设计的特征选择方法确定边界层外缘特征;最后,利用支持向量机构建气动热预示模型,实现边界层外缘特征与壁面热流的映射。对双椭球和二级压缩面的热流预示结果表明,该模型考虑了非均匀分布壁面温度等边界条件,具有较高的预示精度和良好的外推与泛化性能,典型位置热流预示结果和RANS计算结果的相对误差均小于5%。同时,以双椭球上表面中心线热流预示为例,对比传统POD降阶方法,发现该模型的预示精度更高,...

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。

在滚动轴承性能退化评估中,不同工况会影响振动信号特征对故障程度的敏感性,在早期有限样本中选择适用于状态评估的有效特征是实现在线评估轴承性能退化程度的关键。首先提出一种基于均方根的早期有限样本判定方法 Limited Feature Select Sample（LFSS）,其次提出一种针对性能退化评估特征选择的改进Binary Bat Algorithm（BBA）算法——Feedback Seeking Binary Bat Algorithm（FSBBA）,将其应用于滚动轴承早期有限样本中进行故障特征选择,克服了原始BBA容易陷入局部寻优的缺点。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。

针对现有基于机器视觉的轴承表面缺陷类型识别中分类特征选择这一薄弱环节,提出一种综合运用相关分析、标量特征选择和特征向量选择的实用特征选择算法。首先,通过相关分析剔除相似特征;然后,用标量特征选择算法作进一步筛选;最后,用特征向量选择算法选出最终分类特征。对比试验表明：该算法可实现有效的特征选择,识别率高达99.5%,且避免了大规模运算。

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数（Intrinsic Mode Function,IMF）,对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合（GA-PLS）的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断。