基于灵敏度分析的支持矢量机特征选择

特征选择可以去除冗余特征提高机械故障诊断精度和诊断效率。对于支持矢量机(SVM)作为故障决策器, 提出基于特征灵敏度分析的特征选择方法。此方法通过分析候选特征子集对SVM输出的影响大小,以此作为特征选择标准,并采用遗传算法搜索最佳特征子集。数值仿真和柴油机故障特征选择试验结果显示此方法有较好的寻优特征子集的能力,能够提高故障诊断的精度和效率。     

FTA在故障注入系统中的应用研究

故障注入技术是评估BIT故障诊断能力，确保BIT设计达到任务书的指标的重要手段，能够有效的缩短产品的开发周期和费用。在故障注入过程中，关键是选择故障注入点。有针对性的选择故障注入点将极大地提高故障注入的效率，更好地评估BIT的可靠性。文章论述了在故障注入中的故障树分析的应用和如何选择故障注入点。     

机电系统BIT的非永久故障分析建模与诊断

非永久故障是导致机电系统BIT（built-in test）虚警的一个主要原因，诊断非永久故障既可保证BIT的高故障检测率，同时又可有效地抑制虚警。但是目前缺乏对非永久故障的机理分析与建模，相应的诊断研究也很少。在分析研究非永久故障的表现形式、产生原因与机理的基础上，对被测系统的状态进行马尔可夫建模，再根据被测系统和隐马尔可夫模（hidden Markov model，HMM）的状态都是通过表现来感知的特点，利用HMM对BIT被测系统建模，并提出基于HMM的BIT非永久故障诊断方法，最后通过实验验证表明，此方法能有效地诊断非永久故障，降低BIT虚警。     

基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

遗传算法在故障特征选择中的应用研究

针对传统组合优化方法用于特征选择的种种缺陷 ,提出了基于遗传算法的特征选择策略。经仿真及回转机械故障实例分析 ,证明该方法拥有较强的并行性和寻优能力 ,在机械故障诊断领域有广阔的应用前景     

某型起落架转弯控制器余度设计及机内测试

针对航空电子产品高可靠性和可测试性要求,以某型起落架转弯操纵系统为对象,采用余度设计和机内测试(BIT,built-in-test)技术,开发了一款起落架转弯双余度控制器。该控制器基于三CPU冗余架构,采用相似余度、冷备份的双余度方案以及基于AT89S51单片机的BIT方案,实现工作电路板的故障检测、监控、诊断和隔离。通过基于硬件的故障注入技术对该控制器BIT功能验证,结果表明该控制器BIT检测模块能够检测到电路板故障,显示故障信息,并自动完成系统重构。同时,在软件方面采用数字滤波技术,进一步提高了BIT的可靠性,降低了虚警率,达到了预期的初步设计目标。     

船舶机舱监控系统BIT设计方法研究

根据当前船舶机舱监控系统的技术特点,提出了系统的机内测试(BIT)总体设计,分析了计算机及通讯通道、传感器及信号调理电路、执行机构及驱动电路、供电电源及配电网络4类功能单元的BIT设计方法,并进行了具体的BIT硬件电路设计.有助于指导机舱监控系统BIT设计,对于提高该系统的故障诊断能力、简化设备维修和降低总体费用具有重要意义.     

基于改进的二进制蚁狮算法的特征选择模型及应用

为了降低滚动轴承故障数据集的特征维度,选取最有效的数据特征,首先提出一种改进的二进制蚁狮算法,该算法通过引入种群保护集机制,对具有寻优潜力的部分蚂蚁进行保留,并将保护集内群体与主群并行迭代,以加强算法的全局寻优能力,然后通过0-1背包问题验证了该算法的有效性;最后将上述改进融入混合式特征选择模型中,在UCI标准测试数据集与凯斯西储大学滚动轴承故障数据集上分别应用该模型进行特征选择.实验结果表明,融合改进二进制蚁狮算法的混合式特征选择模型的识别精度与特征约简能力均得到明显的提升.     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

基于遗传优化推理的液压故障诊断方法

文章提出运用遗传算法进行优化推理实现故障诊断的方法。针对某实际的液压系统,在进行仿真的基础上,通过设定故障,利用遗传算法寻优得到故障参数。仿真与实验结果表明该方法能够准确实现故障的定位与诊断,验证基于遗传优化推理的液压系统故障诊断方法的有效性。该方法可以应用于大型液压系统的故障诊断。     

Fault level diagnosis for planetary gearboxes using hybrid kernel feature selection and kernel Fisher discriminant analysis

This paper introduces a hybrid dimension reduction method that combines kernel feature selection and kernel Fisher discriminant analysis (KFDA). In the first stage, a kernel feature selection method is proposed to remove redundant and irrelevant features for two purposes: (1) reducing computation burden of the entire fault diagnosis system and (2) alleviating the impact of irrelevant features on KFDA. In the second stage, KFDA is used to establish a more compact feature subset by extracting a smaller number of features. We use Gaussian radial basis function as the kernel function for the two kernel stages in the proposed method. A parameter selection method for this kernel is proposed to select the optimal values for the proposed method. Experimental results on fault level diagnosis demonstrate that the proposed hybrid dimension reduction method has advantages over other approaches that use feature selection or KFDA separately.     

NEW FEATURE SELECTION METHOD IN MACHINE FAULT DIAGNOSIS

Aiming to deficiency of the filter and wrapper feature selection methods, a new method based on composite method of filter and wrapper method is proposed. First the method filters original features to form a feature subset which can meet classification correctness rate, then applies wrapper feature selection method select optimal feature subset. A successful technique for solving optimization problems is given by genetic algorithm (GA). GA is applied to the problem of optimal feature selection. The composite method saves computing time several times of the wrapper method with holding the classification accuracy in data simulation and experiment on bearing fault feature selection. So this method possesses excellent optimization property, can save more selection time, and has the characteristics of high accuracy and high efficiency.     

基于过滤器-封装器组合模型的故障特征选择算法

利用过滤器法运行速度快和封装器法精度高的优点，提出了一种新的Filter—Wrapper两阶段组合式特征选择算法。在Filter阶段，算法采用Fisher准则对特征进行排序；在Wrapper阶段，以分类器的性能作为适应度函数，根据特征排序结果采用遗传算法搜索特征子集。运用滚动轴承故障模拟试验的数据对所提出的算法进行了验证，结果表明，相比单一的过滤器法或封装器法，该算法能够同时提高特征选择的性能和效率。     

A two-step feature selection method for monitoring tool wear and its application to the coroning process

Coroning is a complex and multi-directional gear finishing process involving metal removal of gear teeth surface, and condition monitoring has not been applied to this process. In order to capture the progress of wear, an acoustic emission (AE) sensor is used, but the large data size of AE requires extensive dimension reduction and feature selection. The conventional method of averaging to reduce the data size may have the risk of losing information as higher frequencies are filtered off. A two-step feature selection method is implemented using class mean scatter criterion and modified relevance/redundancy analysis. This method results in feature dimension reduction and enhances classification performance. It involves first ranking candidate features by calculating their separability. Features which are correlated are then combined to reduce dimensions without averaging. Application of this two-step feature selection technique enables coroning tool wear to be monitored with a classification rate of 98.3 % compared to 94.1 % using conventional feature selection.     

基于蚁群算法的铣削力信号特征选择方法

为有效地进行刀具状态模式识别,以端面铣刀为研究对象,采用蚁群算法对铣削力信号进行研究分析,提出一种可用于刀具状态识别的特征选择方法。该方法将特征选择过程转化成蚁群算法中蚂蚁寻找最优路径的过程,给出了转移概率公式,并运用Fisher标准判别率作为启发信息,同时将每次搜索得出的最优特征子集输入BP神经网络进行模式识别,得到的正确率整合进信息素更新策略。另外,改进了蚁群算法参数选择方法。实验结果表明,该方法可以高效地进行特征优化选择,进而使模式识别正确率较未经特征选择时得到显著提高。     

人脸特征选择中的SVM泛化误差估计

根据统计学习理论,特征选择可以通过有效的特征搜索策略最小化某个预测泛化误差及其它相关性能来实现。本文研究通过递归特征排除法（Recursive Feature Elimination,RFE）最小化SVM VC留一法(Leave-One-Out, LOO)误差或支持向量span误差估计选择优化特征子集问题,并将最小化VC LOO误差或支持向量span误差估计作为Wrapper特征选择模型的选择判据。人脸识别实质是稀疏超高维空间、典型的小样本模式识别问题。解决这类问题的关键在于如何获得对分类有意义的特征。将特征选择与分类器设计结合,理论上优于传统的特征提取或特征选择方法。为此,本论文将WT和KPCA作为过滤模型（Filter）,最小化SVM泛化误差估计作为封装模型（Wrapper）,结合这两种模型的优势提出人脸特征选择及识别的新框架。并在UMIST人脸数据库上进行了相应的实验,结果显示提出的特征选择方法和特征搜索策略及人脸特征选择构架有效可行。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

基于改进特征选择方法的齿轮故障SVM诊断

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。     

Feature selection for machine fault diagnosis using clustering of non-negation matrix factorization

Feature selection has been attracting more attentions in recent years for its advantages in improving the fault diagnosis efficiency and reducing the cost of feature acquisition. In this paper, we regard the feature selection as a clustering process with data decomposition technique and propose a novel feature selection method based on the non-negation matrix factorization (NMF). Alternating Least Squares (ALS) algorithm with sparsity control and decorrelation constrains is adopted to factorize original feature space into two low-rank matrixes (projection vectors and feature spaces). Considering the clustering distribution of the projection space, the optimal feature vectors are calculated by the means of the best updating rule parameters. Besides, the inverse of feature vectors is furtherly utilized in the seeking feature subset, which ensures high classifying performance. Experiments are performed by using two standard data sets and the fault diagnosis of roller bearing case. The results are compared with those obtained by applying the whole feature set and standard feature selection algorithms. The outcomes of comparative analysis have confirmed the effectiveness of the proposed approach.