为了监测液压系统的故障状态,需要安装多种传感器,采集的数据庞大且复杂,通过多特征计算可以得到多种特征。为了使诊断更加准确,提出一种MIBBPSO-SDAE的故障诊断方法。基于互信息的粒子群(MIBBPSO)特征选择方法以及标签相关性的蜂群初始化策略,利用特征和类标签之间的相关性来加速收敛;利用2个局部搜索算子增强算法的利用性能;使用一种自适应翻转变异算子找出最优的特征子集。然后将筛选出的特征子集进行数据融合,输入到经过训练的堆叠降噪自编码器(SDAE)的模型中进行故障诊断。结果表明MIBBPSO-SDAE方法对柱塞泵、冷却器、节流阀以及蓄能器4种元件的诊断准确率分别为99.5%、100%、96.52%和98.1%,能够较准确地识别故障类型。

针对传统遗传算法优化串联式混合动力汽车时燃油经济性和排放性不佳、优化运行时间过长的问题,提出一种基于特征选择遗传算法的串联式混合动力汽车系统参数和控制策略参数的多目标优化算法,并建立以动力性能指标为约束的混合动力汽车参数优化的非线性模型,其中目标函数包含最佳的燃油消耗和排放等指标。首先对目标函数的可行解空间进行特征选择,筛选出与目标函数相关度较高的可行解,并将基于特征选择的优化方法与传统遗传算法相结合,对其控制参数进行优化。其次通过ADVISOR仿真程序,计算出目标函数的最佳燃油消耗量和排放值。仿真结果表明与传统的遗传算法相比,燃油经济性提高9.96%,CO、HC和NOX的排放分别降低18.07%、26.71%以及15.61%,同时优化运行时间降低62.14%。

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。

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。

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。

针对量子遗传偏最小二乘法在特征选择过程中,存在初始化种群粗糙和适应度函数复杂等问题,提出了一种新的特征选择方法——改进的量子遗传偏最小二乘法(Improved Quantum Genetic Algorithm Partial Least Square,IQGAPLS)算法。该算法根据求解问题的实际情况,赋予种群初始值。同时,设计了一种新的适应度函数,以减少计算量,并基于此适应度函数,提出了一种新的旋转角度更新公式,解决了其方向和大小确定困难的问题。将该算法应用于轴向柱塞泵故障信号的特征选择中。实验结果表明,IQGAPLS算法具有较少的计算量和较短的执行时间,选择出的特征包含更多的工作状态信息,从而提高了分类准确率。

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。

在分类中,不同的样本特征对准确分类的贡献率大小存在差异,为了解决最小二乘支持向量机的特征选择的问题。在研究多参数高斯核和核极化的基础上,提出了核极化优化多参数高斯核的特征选择LSSVM算法。首先,利用核极化最大化来优化多参数高斯核中的多参数,进而,判断出样本不同特征的重要性权重大小,然后,按特征重要性程度从大到小的顺序,依次添加一个特征到LSSVM中训练和预测。从UCI数据库选取出的数据集上的实验仿真结果验证了所提算法的有效性,在实际应用中,可以用样本中几个重要特征来预测样本以便提高预测效率,而且,LSSVM和SVM在所有特征上的实验结果说明了采用核极化的特征选择算法在LSSVM应用的高效性。