为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS)。改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的共享特征集;而后,通过建立多个二分类的支持向量机,对独立的故障特征集进行识别,得到诊断结果。齿轮故障诊断实例表明,改进的特征选择方法排除了无用特征的干扰,提高了诊断精度,具有一定的优势。

针对飞机液压系统故障诊断特征值冗余难以精准获取和准确率不高的问题,提出一种基于变精度邻域粗糙集(Variable Precision Neighborhood Rough Set,VPNRS)和随机森林(Random Forest,RF)相结合的特征选择算法,并以此为基础建立飞机液压系统故障诊断模型。VPNRS-RF算法主要是利用随机森林算法分别对变精度邻域和模糊熵粗糙集约简后的特征进行重要度排序,再次筛选后确定最优特征子集,使用最优特征子集对在线贯序极限学习机(OSELM)分类模型进行训练,从而提高故障信息获取准确率。最后以飞机起落架收放系统为例进行仿真研究,验证了VPNRS-RFOSELM模型的优越性。

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,...

模糊自适应共振理论(fuzzy adaptive resonance theory,简称Fuzzy ART)已被广泛应用于机械设备实时监控和故障诊断。Fuzzy ART采用只允许一个获胜节点学习的硬竞争学习机制,导致系统极易产生误判。针对此问题,将Yu范数相似度准则、生物侧抑制理论与Fuzzy ART相结合,建立了允许多个获胜节点学习的软竞争ART(简称Soft-ART)算法。为了提高故障诊断精度,运用Yu范数相似度测度改进了基于距离测度的特征参数选择方法。利用轴承故障诊断数据对特征选择算法及Soft-ART算法进行了检验,并与FCM,BP及Fuzzy ART算法进行了对比。结果表明,该Soft-ART算法具有更高的诊断精度,同时说明了特征选择算法的有效性。

针对不断增加的机电系统运行状态信息,传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点,基于非负矩阵分解的聚类特性,提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析,选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法,确定了低维嵌入维数及迭代初始化方法,在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。

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。

为了进一步减少特征维数、缩短运算时间、提高分类正确率等，提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法，该方法采用量子位进行染色体编码，利用量子门更新种群。首先，对轴向柱塞泵振动信号进行小波包变换，提取出原始信号和各个小波包系数的统计特征；然后，利用量子遗传算法从原始特征集中选择出最优特征集；最后，以神经网络为分类器（其输入为最优特征集），对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择，试验结果表明，与普通遗传算法相比，量子遗传算法可以更有效地减少特征维数，提高分类正确率。

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。

液压泵的性能状态参数包括振动、压力、流量、温度和油液等信息，如何从这些状态参数中选择能够影响和表征液压泵寿命的特征因子是进行液压泵性能评估与寿命预测的难点。基于此，研究了特征选择策略，提出了基于支持向量机的液压泵寿命特征启发式搜索策略，以液压泵寿命特征参数特征集的交叉验证错误率为评价指标，学习识别与选取能够表征液压泵寿命的特征因子，解决了液压泵寿命特征因子选取难的难题。应用实例表明该方法能够选择出反映液压泵性能的寿命特征参数。

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类。从轴向柱塞泵的所有故障中，选出两种典型故障：缸体与配流盘磨损、柱塞滑履松动。从轴向柱塞泵原始振动信号中提取这两种故障特征的数据，经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合（GA—PLS）特征选择后，确定最优的故障特征集。为了解决训练时间较长及权重调整过适应等问题，提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法。分别使用AdaBoostM1，改进型AdaBoost构建分类模型比较其分类效果。结果表明：改进型AdaBoost使用仅含有少量的特征组成的最优特征集，可以得到较好的分类结果。