基于相关性引导的粒子群优化方法在故障诊断中的特征选择应用

《IEEE/CAA Journal of Automatica Sinica》:Correlation-Guided Particle Swarm Optimization Approach for Feature Selection in Fault Diagnosis

【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE/CAA Journal of Automatica Sinica 19.2

编辑推荐:

  针对故障诊断中特征选择效率低的问题,提出一种基于相关性的改进粒子群优化方法,通过特征相关性初始化、概率个体更新和样本收缩策略提升全局搜索能力,在四个公开数据集和实际应用中验证了其有效性,实现更小特征子集和更高分类准确率。

  

摘要:

在故障诊断中涉及大量的特征,识别对故障分类重要且相关的特征具有挑战性。特征选择从故障数据集中挑选出合适的特征,以确定故障的根本原因。粒子群优化(PSO)在特征选择方面表现出良好的效果,因为它具有高效的搜索能力和易于实现的特点。然而,大多数基于PSO的故障诊断特征选择方法没有充分考虑领域特定的先验知识。在这项研究中,我们提出了一种基于相关性的PSO特征选择方法,该方法旨在提高初始化效果、个体探索能力和种群多样性。具体来说,设计了一种基于特征相关性的初始化策略来提升初始种群的质量,并提出了一种概率个体更新机制来增强利用能力。此外,还开发了一种样本缩减策略,以提高跳出局部最优解的能力。在四个公开故障诊断数据集上的测试结果表明,与其它最先进的特征选择方法相比,所提出的方法在大多数情况下能够选择更小的特征子集,从而实现更高的分类准确率。此外,通过研究实际故障诊断问题也验证了该方法的有效性。

引言

设备健康管理是确保机械设备安全、高效和可靠运行的关键[1]、[2]。故障诊断是设备健康管理的重要步骤之一,对于保证机械系统的可用性和安全性、避免危险情况的发生至关重要[3]、[4]。故障诊断本质上是一个分类任务,其目的是根据特征提供的信息对故障类别进行分类。根据数据类型和数据处理方式,故障诊断方法可以分为三类:基于模型的方法、基于知识的方法和基于信号的方法[5]。基于模型的方法通过模型结果的残差与实际结果来确定故障类型;基于知识的方法根据知识库来确定故障模式;基于信号的方法通过分析各种信号中的信息来确定故障类型。基于模型的方法仅适用于特定类型的机械系统和故障[6]。基于知识的方法主要依赖人工智能方法直接确定系统故障,但这只能在已知知识范围内进行,且方法结构较为复杂。相比之下,基于信号的方法不依赖于精确的模型或对特定系统的详细先验知识,因此可以应用于各种不同类型的系统。它们直接利用系统运行过程中产生的实际信号,这些信号最真实地反映了系统的当前状态。本研究将重点关注基于信号的方法。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号