采用主成分分析法,对影响腊肠包装净含量的多种因素进行特征提取,利用降维思想与手段,通过多维特征空间建模与求解,找到了改进腊肠包装净含量测控技术的突破口：一是保证灌肠后腊肠重量的一致性,二是保证腊肠中肉馅肥瘦比例的一致性。针对此改进方向,设定合理的控制目标值与超包值,通过实践验证了模型的准确性与科学性,并从实际上改进了腊肠包装净含量的测控技术。

通过动态主成分分析(Prineipal Component Analysis,PCA)的方式来实现高维数据的降维过程,简化数据的分析过程并提升数据处理效率,再把提取得到的主成分因子输入支持向量机中;接着利用遗传算法(Genetic Algorithm,GA)全局搜索方式优化支持向量机(Support Vector Machine,SVM)参数,有效克服人为选择参数所导致的盲目性,由此得到最优模型参数。研究结果表明:主成分信息表患共提取4个主元,相对原特征参数的占比为95.12%,完成了原数据高效压缩与降维的效果。迭代12次之后达到了98%的平均适应度,已经接近最佳适应度,说明此时种群中个体已经基本获得最优解。支持向量机获得了比反向传播(Back Propagation,BP)网络更高的诊断准确率,说明支持向量机更适合处理小样本与非线性问题,可将其应用于其它机械控制设备。

热敏感点优化选取是热误差建模过程中的关键问题,所选取的热敏感点优劣将直接影响热误差模型的精确性和鲁棒性。提出一种灰色关联分析(GRA)和主成分分析(PCA)结合的机床主轴系统热敏感点优化方法,采用GRA筛选对热误差影响较大的温度测点,机床主轴不同位置处的多个测点温度值以及主轴在对应温度下产生的热漂移作为分析数据,通过计算温度变量与热漂移之间的灰色关联度,得到其灰色综合关联度矩阵,确定二者相关性后初选温度变量;根据PCA将高度相关的温度数据简化为较少的相互独立的主成分,将其作为后续热误差模型的输入,从而实现热敏感点优化。将该方法应用于数控机床主轴系统,优化完成的热敏感点数据作为主轴热误差模型的输入变量。结果表明:将优化所得热敏感点作为BP热误差模型输入,预测所得热误差与实际热误差的平均残差为0.83μm,低于仅

基于Matlab开发了一套实验软件PHM-Bearings,将其用于“机械工程测试技术基础”实验教学中。实验中,首先对原始轴承振动数据进行特征提取,然后使用主成分分析法对其时域特征进行信息融合,在保留最大信息量的同时提高运算效率。模式识别模块用来识别轴承样本是否有故障,从而实现故障预诊。通过轴承健康评估可以定量计算轴承的健康度并绘制出轴承全生命周期健康曲线,从而实现轴承的健康管理。

针对传统K近邻（K—Nearest Neighbor，KNN）算法在进行机械故障信号识别的过程中，无法挖掘特征参数之间关联性，提出一种基于最优特征集的马氏距离KNN分类方法，根据机械故障信号的非线性特点，使用小波分解获得时频域故障特征，通过局部嵌入算法（Locally Linear Embedding，LEE）来进行二次故障特征提取，从而获得多相关特征集并对其进行主成分分析得到最优特征集，最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性，增加不同故障之间区分度，从而提高故障识别精度。

通过研究主成分分析（principal component analysis,简称PCA）中有效特征值与信号频率和幅值之间的关系,发现有效特征值的数量是由原始信号中频率成分的个数决定,与幅值、频率和相位的大小无关。信号中每个频率产生两个有效的特征值,且幅值决定协方差矩阵C的特征值在其分布图中的排列顺序。提出了一种基于PCA的特征频率提取算法,该算法可实现对单个或多个特征频率的准确提取。将此方法应用于大型转子系统轴心轨迹的提纯上,效果优于谐波小波和小波包算法。

在水平Y型分支管道中采用压缩空气作为动力，粒径为2mm的小米为输送物料进行气力输送试验。对气固两相分支管道各自的压力损失及两分支管间压力损失差值的变化规律进行了研究。试验表明，当气体表观速度下降时，两分支管的压力损失值减小；当气体表观速度低于沉积速度后，继续降低气速，各支管单位长度压力损失将增大，但两分支管上压力损失变化不同步。当两分支管与主管中轴线夹角的差值变大时，两分支管压力损失曲线及两分支管压力损失差曲线在气体高速区远离，在低速区靠近。同时，利用主成分分析法得出了影响两支管单位长度压损差值的主要因素是变动支与主管中轴线夹角、气体表观速度。

针对液压泵故障特征的分散性和模糊性,提出基于振动和压力传感器的信息融合故障诊断方法.在充分分析液压泵球头松动故障机理的基础上,对振动信号和压力信号进行小波消噪处理,有效提取球头松动的故障特征.将不同类型特征参数进行特征层融合,利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断.试验表明,基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断.