支持向量機(jī)SVM課件

1、2022/8/10南京航空航天大學(xué)智能診斷與專家系統(tǒng)研究室 學(xué) 生：郝騰飛姓名：關(guān)曉穎導(dǎo)師：陳果 教授專業(yè)：載運(yùn)工具運(yùn)用工程融合機(jī)器學(xué)習(xí)的改進(jìn)遺傳算法及其在航空發(fā)動機(jī)智能診斷中的應(yīng)用研究課題來源* 課題來源1 國家自然科學(xué)基金項(xiàng)目：航空發(fā)動機(jī)智能診斷中學(xué)習(xí)樣本與學(xué)習(xí)機(jī)器的自適應(yīng)性問題研究2 中航工業(yè)綜合所技術(shù)支撐項(xiàng)目：多源信號數(shù)據(jù)融合技術(shù)在滾動軸承運(yùn)行狀態(tài)評估的應(yīng)用3 江蘇省普通高校學(xué)術(shù)學(xué)位研究生創(chuàng)新計(jì)劃項(xiàng)目：遺傳算法在航空發(fā)動機(jī)滾動軸承故障監(jiān)測中的應(yīng)用研究目 錄課題研究意義國內(nèi)外研究現(xiàn)狀分析研究方案研究基礎(chǔ)研究計(jì)劃及進(jìn)度預(yù)期成果課題研究意義* 發(fā)動機(jī)的安全可靠發(fā)動機(jī)的維修保障費(fèi)用的可承受性航

2、空發(fā)動機(jī)作為現(xiàn)代飛行器的動力核心首要任務(wù)不可回避的問題課題研究意義* 以航空發(fā)動機(jī)滾動軸承為例按軸承的設(shè)計(jì)預(yù)期壽命進(jìn)行定時(shí)更換若軸承還沒有達(dá)到預(yù)期壽命便已經(jīng)發(fā)生故障若軸承達(dá)到了預(yù)期壽命仍然能正常工作，此時(shí)更換軸承必然導(dǎo)致維護(hù)成本的增加嚴(yán)重威脅飛行安全造成經(jīng)濟(jì)上的浪費(fèi)必須充分了解航空發(fā)動機(jī)的整個(gè)運(yùn)行狀況，采取預(yù)防性維修（視情維修）策略，實(shí)現(xiàn)在安全性和經(jīng)濟(jì)性之間達(dá)到平衡解決方法課題研究意義* 準(zhǔn)確判斷航空發(fā)動機(jī)當(dāng)前狀態(tài)預(yù)防性維修策略軸承葉片其他部件發(fā)動機(jī)當(dāng)前狀態(tài)監(jiān)測和評估預(yù)防性維修策略部件很多關(guān)鍵部件課題研究意義* 發(fā)動機(jī)的氣路性能參數(shù)轉(zhuǎn)子系統(tǒng)的振動參數(shù)磨損狀態(tài)產(chǎn)生大量數(shù)據(jù)智能計(jì)算（如遺傳算法）機(jī)

3、器學(xué)習(xí)技術(shù)實(shí)現(xiàn)航空發(fā)動機(jī)故障診斷提高診斷自動化程度、智能化程度診斷準(zhǔn)確度診斷效率挖掘有用知識和信息 本課題研究將遺傳算法和機(jī)器學(xué)習(xí)技術(shù)運(yùn)用到航空發(fā)動機(jī)的狀態(tài)監(jiān)測和故障診斷中，通過對遺傳算法進(jìn)行深入的研究，結(jié)合機(jī)器學(xué)習(xí)技術(shù)，提出改進(jìn)的遺傳算法，使算法有效地適用于航空發(fā)動機(jī)滾動軸承狀態(tài)特征選擇、規(guī)則提取等問題，實(shí)現(xiàn)航空發(fā)動機(jī)故障診斷智能化，并達(dá)到效率更高、解的質(zhì)量更好和更可靠的目的。研究關(guān)注點(diǎn)目的國內(nèi)外研究現(xiàn)狀分析* 遺傳算法及其改進(jìn)遺傳算法在故障特征選擇中的應(yīng)用遺傳算法在SVM參數(shù)優(yōu)化中的應(yīng)用遺傳算法在規(guī)則提取中的應(yīng)用國內(nèi)外研究現(xiàn)狀分析-遺傳算法及其改進(jìn)* 遺傳算法（Genetic Algori

4、thm，GA）達(dá)爾文進(jìn)化論自然選擇適者生存、優(yōu)勝劣汰初始化種群選擇雜交變異計(jì)算適應(yīng)度滿足終止條件?N適應(yīng)度最優(yōu)個(gè)體Y開始結(jié)束遺傳算法基本流程圖優(yōu)點(diǎn)：遺傳算法獨(dú)立于問題的知識領(lǐng)域之外，實(shí)現(xiàn)步驟簡單規(guī)范，并且具有良好的全局收斂能力、自適應(yīng)能力和并行能力，適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問題。缺點(diǎn)：易陷入局部最優(yōu)，即出現(xiàn)“早熟”現(xiàn)象。遺傳算子評價(jià)個(gè)體優(yōu)劣產(chǎn)生新種群國內(nèi)外研究現(xiàn)狀分析-遺傳算法及其改進(jìn)* 初始化種群選擇雜交變異計(jì)算適應(yīng)度滿足終止條件?N適應(yīng)度最優(yōu)個(gè)體Y開始結(jié)束遺傳算法基本流程圖遺傳算子評價(jià)個(gè)體優(yōu)劣為了克服GA的不足，提高算法的性能，很多學(xué)者對遺傳算法進(jìn)行改進(jìn)1. 算法參數(shù)固定取值、

5、自適應(yīng)調(diào)整等2. 算子改進(jìn)自適應(yīng)控制、與其他技術(shù)結(jié)合（小波理論、模糊邏輯控制器、拉普拉斯函數(shù)、K-means 法、單純形法等）3. 并行GA或多種群主從并行GA、細(xì)顆粒度并行GA、粗顆粒度并行GA、降維式并行GA等小結(jié)：很多學(xué)者對遺傳算法展開了研究，提出了很多改進(jìn)的遺傳算法，并取得不錯(cuò)的效果。然而，對于航空發(fā)動機(jī)的故障診斷，現(xiàn)有的研究成果基本上都是基于簡單遺傳算法，并沒有將更多的關(guān)注點(diǎn)放在遺傳算法的性能改進(jìn)方面，這將大大地降低了遺傳算法在航空發(fā)動機(jī)智能診斷的應(yīng)用效果及效率。國內(nèi)外研究現(xiàn)狀分析-遺傳算法在故障特征選擇中的應(yīng)用* 從原始特征中選出一些最有效特征，在保證分類準(zhǔn)確率的同時(shí)以降低數(shù)據(jù)集維

6、度的過程，是提高學(xué)習(xí)算法性能的一個(gè)重要手段，也是模式識別中關(guān)鍵的數(shù)據(jù)預(yù)處理步驟。特征選擇特征選擇方法Filter（過濾）法：利用單獨(dú)的可分性準(zhǔn)則來選擇特征?？煞中詼?zhǔn)則：距離準(zhǔn)則、相關(guān)性準(zhǔn)則、信息熵準(zhǔn)則等優(yōu)點(diǎn)：速度較快缺點(diǎn)：普適性較差，分類精度較低Filter（過濾）法+ Wrap（包裹）法組合：先采用Filter（過濾）法進(jìn)行特征選擇，然后將得到的特征子集再用wrap（包裹）法進(jìn)行特征選擇。優(yōu)點(diǎn)：比Wrap法所花的時(shí)間少，比Filter法的分類精度高缺點(diǎn)：耗時(shí)比Filter法大，分類精度比Wrap法低Wrap（包裹）法：利用分類器進(jìn)行特征選擇分類器：支持 向量機(jī)、神經(jīng)網(wǎng)絡(luò)等優(yōu)點(diǎn)：特征選擇精度較

7、高缺點(diǎn)：耗時(shí)大小結(jié)：當(dāng)前基本都采用這三種方法進(jìn)行特征選擇，并取得一定的成果。特別是Filter（過濾）法，由于它的速度快，被廣泛使用。然而，在航空發(fā)動機(jī)故障特征選擇的研究中，針對Filter（過濾）法，如何設(shè)計(jì)有效的評價(jià)準(zhǔn)則選出最優(yōu)特征子集，提高分類精確度，仍然需要進(jìn)一步研究。國內(nèi)外研究現(xiàn)狀分析-遺傳算法在SVM參數(shù)優(yōu)化中的應(yīng)用* 支持向量機(jī)（SVM） 支持向量機(jī)建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小的基礎(chǔ)上，在理論上充分保證了模型的泛化能力，目前被廣泛用于模式識別的分類器設(shè)計(jì)中。用于分類器的支持向量機(jī)模型有許多參數(shù)要進(jìn)行優(yōu)化參數(shù)對模型的分類精度具有很大影響目前參數(shù)尚無統(tǒng)一選擇標(biāo)準(zhǔn)根據(jù)經(jīng)驗(yàn)和有限的實(shí)

8、驗(yàn)給定參數(shù)值網(wǎng)格算法三步搜索技術(shù)智能計(jì)算方法（如：遺傳算法、蟻群算法）參數(shù)選擇方法 當(dāng)前研究成果，采用遺傳算法進(jìn)行SVM參數(shù)優(yōu)化，是在給定的區(qū)間內(nèi)優(yōu)化選取，但這個(gè)參數(shù)區(qū)間在算法的運(yùn)行過程中是固定不變參數(shù)問題國內(nèi)外研究現(xiàn)狀分析-遺傳算法在SVM參數(shù)優(yōu)化中的應(yīng)用* 三步搜索技術(shù)1、在兩因素構(gòu)成的二維平面中，找到中心點(diǎn)，以及它周圍的 8 個(gè)點(diǎn)。以準(zhǔn)確率為準(zhǔn)則做搜索，選擇其中的某一個(gè)點(diǎn)作為新的中心點(diǎn)。2、將步長減小一半，計(jì)算新的中心點(diǎn)周圍的 8 個(gè)點(diǎn)并進(jìn)行比較，選擇準(zhǔn)確率最大的點(diǎn)作為新的中心點(diǎn)。3、重復(fù) 2 的計(jì)算，直到步長小于一個(gè)單位。4、如果學(xué)習(xí)精度沒達(dá)到所需要求，則繼續(xù)尋找，達(dá)到了，則作為選擇的

9、參數(shù)對。優(yōu)點(diǎn)：在保證準(zhǔn)確率不變的情況下，三步搜索法比完全搜索更加高效。缺點(diǎn)：由于參數(shù)是在某個(gè)區(qū)間上進(jìn)行搜索，最終得到的參數(shù)值，其所獲得的準(zhǔn)確率不一定是在(-,+)上的最優(yōu)解。網(wǎng)格算法 給定各參數(shù)的區(qū)間 ，定義一個(gè)步長在區(qū)間內(nèi)窮盡搜索逐個(gè)試驗(yàn) ，找到使得算法在學(xué)習(xí)對象上性能最好的參數(shù) 。缺點(diǎn)：參數(shù)的尋優(yōu)不是并行的進(jìn)行 ,導(dǎo)致得到的單個(gè)最優(yōu)參數(shù)組合在一起不是最優(yōu)的 ,計(jì)算量大。國內(nèi)外研究現(xiàn)狀分析-遺傳算法在規(guī)則提取中的應(yīng)用* 模糊控制+GA穩(wěn)態(tài)遺傳算法免疫原理+GA基于GA的規(guī)則提取方法 當(dāng)前研究成果，基于遺傳算法的規(guī)則提取方法，對于得到的規(guī)則可能會有冗余規(guī)則或規(guī)則中含有冗余信息，如何獲得提取出簡

10、單、可靠、易于理解的規(guī)則，仍然需要進(jìn)一步研究。決策形式背景+GA粗糙集+遺傳算法并行GA Pal等提出了基于自組織遺傳算法的模糊邏輯控制器規(guī)則生成方法，使用遺傳算法搜索最優(yōu)的規(guī)則，并且是一個(gè)自組織的過程，不需要專家知識或明確的訓(xùn)練數(shù)據(jù)，適應(yīng)度函數(shù)簡單，在保證精確率的同時(shí)，實(shí)現(xiàn)以花費(fèi)盡可能少的時(shí)間得到最優(yōu)規(guī)則集。該方法采用三個(gè)階段進(jìn)行尋找最優(yōu)規(guī)則集。Shibuchi等采用單目標(biāo)和雙目標(biāo)遺傳算法進(jìn)行語言規(guī)則提取。Mansoori等提出穩(wěn)態(tài)遺傳算法進(jìn)行模糊分類規(guī)則提取。倪世宏等將免疫原理引入遺傳算法，實(shí)現(xiàn)了飛行狀態(tài)分類規(guī)則的自動獲取。王文平等提出了將并行遺傳算法應(yīng)用于關(guān)聯(lián)規(guī)則的提取李金海等在決策形式

11、背景中提出了決策規(guī)則支持元與支持度的概念，并通過它們給出了協(xié)調(diào)集和約簡的等價(jià)判定定理，在此基礎(chǔ)上提出了一種基于遺傳算法的決策形式背景的屬性約簡方法。并分析基于遺傳算法的約簡方法和現(xiàn)有的啟發(fā)式約簡算法的互補(bǔ)性。時(shí)文剛等針對粗糙集應(yīng)用于故障診斷過程中存在的決策表屬性連續(xù)值離散化和屬性約簡之間分離的問題，根據(jù)粗糙集的約簡思想，研究了一種新的基于遺傳算法的規(guī)則自動提取方法國內(nèi)外研究現(xiàn)狀分析-小結(jié)* 1）目前基本上是采用簡單遺傳算法進(jìn)行航空發(fā)動機(jī)故障特征選擇和規(guī)則提取，沒有將更多的關(guān)注點(diǎn)也放在遺傳算法的性能改進(jìn)方面，這將大大地降低了遺傳算法在航空發(fā)動機(jī)智能診斷的應(yīng)用效果及效率。2）由于Filter （過

12、濾）法的特征選擇結(jié)果不是以分類準(zhǔn)確率作為評價(jià)準(zhǔn)則，就有可能會出現(xiàn)最終搜索到的特征子集的分類準(zhǔn)確率不是最高的，也就是說結(jié)果的可靠性不能完全保證。而當(dāng)前關(guān)于航空發(fā)動機(jī)故障特征選擇采用的方法，沒有充分考慮到這個(gè)問題且當(dāng)前的研究大部分是基于單個(gè)評價(jià)準(zhǔn)則。因此，可以結(jié)合機(jī)器學(xué)習(xí)技術(shù)，設(shè)計(jì)多判據(jù)融合的評價(jià)準(zhǔn)則，使算法有效獲得結(jié)果的同時(shí)，還要提高其作為最優(yōu)特征子集的可靠性。3）目前的基于遺傳算法的支持向量機(jī)分類器參數(shù)優(yōu)化，對于參數(shù)的取值范圍在算法的運(yùn)行過程中都是固定不變。然而，參數(shù)的初始取值范圍的選擇就非常重要。參數(shù)的正確值與給定的初始取值范圍之間存在兩種情況：第一，正確值包含在給定的初始取值范圍內(nèi)；第二，

13、正確值不包含在給定的初始取值范圍內(nèi)。當(dāng)出現(xiàn)第二種情況，就會對支持向量機(jī)的分類精度產(chǎn)生很大的影響。4）基于遺傳算法的規(guī)則提取方法，對于得到的規(guī)則可能會有冗余規(guī)則或規(guī)則中含有冗余信息，如何提取出簡單、可靠、易于理解的規(guī)則，仍然需要進(jìn)一步研究。研究方案-研究目標(biāo)* 航空發(fā)動機(jī)智能診斷算法效率更高解質(zhì)量更好解更可靠目標(biāo)1：結(jié)合機(jī)器學(xué)習(xí)技術(shù)，提出改進(jìn)遺傳算法，實(shí)現(xiàn)提高航空發(fā)動機(jī)故障智能診斷的準(zhǔn)確率。目標(biāo)2：研究智能診斷領(lǐng)域應(yīng)用中的最佳特征子集選擇、診斷知識規(guī)則的自動提取等關(guān)鍵技術(shù)，并結(jié)合改進(jìn)的遺傳算法，實(shí)現(xiàn)結(jié)果可靠性和運(yùn)行效率的提高。研究方案-研究內(nèi)容* 初始化種群選擇雜交變異計(jì)算適應(yīng)度滿足終止條件?N

14、適應(yīng)度最優(yōu)個(gè)體Y開始結(jié)束遺傳算法基本流程圖進(jìn)化的搜索過程由適應(yīng)值引導(dǎo)解的精度較低搜索速度緩慢引導(dǎo)力不足完善算法的理礎(chǔ)基礎(chǔ)改進(jìn)算子（選擇、交叉與變異算子等）算法參數(shù)與算子的自適應(yīng)控制與其他技術(shù)結(jié)合，改進(jìn)算子.改進(jìn)途徑?jīng)]有充分挖掘和利用算法迭代過程中累積數(shù)據(jù)的隱藏信息1結(jié)合機(jī)器學(xué)習(xí)技術(shù)，改進(jìn)用于特征選擇的遺傳算法，同時(shí)研究特征選擇結(jié)果的可靠性和穩(wěn)定性研究方案-研究內(nèi)容* GA：在加快算法搜索速度的同時(shí)避免早熟特征選擇：結(jié)果的可靠性和穩(wěn)定性+研究目的解決途徑研究方案運(yùn)用機(jī)器學(xué)習(xí)技術(shù)提供有用的信息指導(dǎo)進(jìn)化設(shè)計(jì)多判據(jù)融合的評價(jià)準(zhǔn)則航空發(fā)動機(jī)滾動軸承故障樣本數(shù)據(jù)集采用機(jī)器學(xué)習(xí)技術(shù)（如ReliefF）獲得各

15、個(gè)特征權(quán)值指導(dǎo)種群初始化算子設(shè)計(jì)找到最優(yōu)特征子集判據(jù)1判據(jù)2判據(jù)n評價(jià)提高特征子集作為最佳子集的可靠性研究方案-研究內(nèi)容* 2基于遺傳算法的支持向量機(jī)（SVM）參數(shù)域的自適應(yīng)調(diào)整及優(yōu)化ab真實(shí)值dab真實(shí)值cd參數(shù)的初始取值范圍與真實(shí)值的兩種關(guān)系：真實(shí)值包含在給定的初始取值范圍內(nèi)真實(shí)值不包含在給定的初始取值范圍內(nèi)如果沒有在搜索的過程中調(diào)整參數(shù)域，則最終搜索到的解只能是次優(yōu)解。 當(dāng)前基于遺傳算法進(jìn)行支持向量機(jī)的參數(shù)優(yōu)化基本上是：在整個(gè)搜索過程中，參數(shù)取值范圍都是不變的。研究方案-研究內(nèi)容* 在GA的搜索過程中，參數(shù)的取值范圍自適應(yīng)調(diào)整研究目的解決途徑研究方案采用多群體GA運(yùn)用機(jī)器學(xué)習(xí)技術(shù)預(yù)測搜索

16、區(qū)域的收窄或擴(kuò)大參數(shù)的初始取值范圍GAGAGA根據(jù)每個(gè)GA在給定條件下得到的解，結(jié)合機(jī)器學(xué)習(xí)技術(shù)預(yù)測搜索區(qū)域的收窄或擴(kuò)大，從而決定對參數(shù)的取值范圍作相應(yīng)的調(diào)整標(biāo)準(zhǔn)測試函數(shù)各個(gè)參數(shù)的最優(yōu)解各個(gè)參數(shù)的真實(shí)值對比驗(yàn)證算法有效性支持向量機(jī)（SVM）和核函數(shù)參數(shù)優(yōu)化航空發(fā)動機(jī)故障診斷應(yīng)用進(jìn)一步推廣到其他應(yīng)用多群體懲罰因子C、徑向基核函數(shù)寬度+研究方案-研究內(nèi)容* 3基于正交設(shè)計(jì)的遺傳算法變量區(qū)間組合優(yōu)化技術(shù)研究及應(yīng)用原因：適應(yīng)度函數(shù)全部或部分變量的不同取值組合得到的適應(yīng)值非常接近結(jié)果：可能導(dǎo)致搜索不到全局最優(yōu)解或進(jìn)化緩慢。全局最優(yōu)解在較平坦的區(qū)域內(nèi)俳徊例如：基于顯微磨粒圖像處理的磨損故障診斷系統(tǒng)中，圖像

17、質(zhì)量是保證磨粒分析的關(guān)鍵。 而磨粒顯微圖像的成像質(zhì)量與攝像機(jī)參數(shù)、光源參數(shù)有非常大的關(guān)系，就需要對影響圖像成像質(zhì)量的因素（主要為光源強(qiáng)度和攝像機(jī)參數(shù)）進(jìn)行參數(shù)優(yōu)化。N 為像素點(diǎn)數(shù); Ii（i=1,2,3） 為調(diào)整圖像與標(biāo)準(zhǔn)圖像之間第i個(gè)像素點(diǎn)的正交特征值的差。增大減小減小增大適應(yīng)度值非常接近適應(yīng)度函數(shù)：研究方案-研究內(nèi)容* 設(shè)計(jì)變量取值區(qū)間優(yōu)化組合，引導(dǎo)算法跳出平坦區(qū)域，找到全局最優(yōu)解研究目的解決途徑研究方案采用正交設(shè)計(jì)法運(yùn)用統(tǒng)計(jì)分析方法挖掘和利用已找到的解的信息+ 顯微成像系統(tǒng)要優(yōu)化的參數(shù)增益快門白平衡UB白平衡VR綠光光強(qiáng)紅光光強(qiáng)尋找參數(shù)子區(qū)間優(yōu)化組合采用GA優(yōu)化參數(shù)圖像標(biāo)準(zhǔn)圖像對比研究方

18、案-研究內(nèi)容* 4基于遺傳算法的規(guī)則提取技術(shù)研究提取出簡單、可靠、易于理解的規(guī)則研究目的解決途徑研究方案與其他技術(shù)結(jié)合（如粗糙集等）改進(jìn)的遺傳算法+ UCI標(biāo)準(zhǔn)數(shù)據(jù)集規(guī)則Weka軟件得到的規(guī)則對比驗(yàn)證算法有效性應(yīng)用基于改進(jìn)遺傳算法的規(guī)則提取油液光譜故障數(shù)據(jù)樣本航空發(fā)動機(jī)故障診斷進(jìn)一步推廣到其他應(yīng)用提取規(guī)則研究基礎(chǔ)-研究工作積累和已取得的研究工作成績* 關(guān)于基于遺傳算法特征選擇方面的研究已經(jīng)進(jìn)行了一定研究，提出了一種用于特征選擇的多準(zhǔn)則融合差分遺傳算法已經(jīng)寫了一篇論文“特征選擇的多準(zhǔn)則融合差分遺傳算法及其應(yīng)用”，投稿到了航空學(xué)報(bào)，正在根據(jù)外審意見進(jìn)行修改。碩士階段一直從事遺傳算法的研究工作，師從

19、國內(nèi)外計(jì)算智能領(lǐng)域知名學(xué)者張軍教授，進(jìn)行了“降維式自主遷移并行遺傳算法”的研究工作。對于完成本課題研究提供了堅(jiān)實(shí)的理論基礎(chǔ)完成了課程學(xué)習(xí)，對航空發(fā)動機(jī)檢測與診斷技術(shù)有了深刻認(rèn)識和理解，對于完成本課題提供了工程應(yīng)用基礎(chǔ)。研究基礎(chǔ)-現(xiàn)有的基礎(chǔ)和已具備的實(shí)驗(yàn)條件* 目前已經(jīng)具備多個(gè)可以進(jìn)行滾動軸承模擬試驗(yàn)的試驗(yàn)器，滾動軸承的故障模擬方法是通過在;滾道或滾動體上用電火花加工缺陷的方法來實(shí)現(xiàn)。該設(shè)備可以為本課題進(jìn)行滾動軸承故障預(yù)測、特征選擇、規(guī)則提取等研究提供條件。（1）具備了多個(gè)航空發(fā)動機(jī)滾動軸承故障模擬試驗(yàn)器研究基礎(chǔ)-現(xiàn)有的基礎(chǔ)和已具備的實(shí)驗(yàn)條件* 實(shí)驗(yàn)平臺為洛陽軸承研究所有限公司設(shè)計(jì)開發(fā)的航空軸承

20、失效監(jiān)控試驗(yàn)系統(tǒng)。用該試驗(yàn)器可以得到滾動軸承整個(gè)失效過程的振動信號，從中提取多維特征。該設(shè)備可以為本課題利用遺傳算法進(jìn)行滾動軸承故障預(yù)測（特征選擇和狀態(tài)評估）研究提供條件。（2）具備了航空軸承失效監(jiān)控試驗(yàn)系統(tǒng)（3）具備了多功能智能磨粒檢測與診斷系統(tǒng)MIDCS 1.0是南京航空航天大學(xué)與空軍裝備研究院航空裝備研究所（原空軍第一研究所）聯(lián)合開發(fā)的針對軍用航空發(fā)動機(jī)滑 油、液壓油以及燃油內(nèi)磨粒的檢測與分析系統(tǒng)。該設(shè)備可以為本課題研究提供特征選擇、攝像機(jī)參數(shù)自動調(diào)整、磨粒識別規(guī)則研究等。研究基礎(chǔ)-研究工作積累和已取得的研究工作成績* 關(guān)于基于遺傳算法特征選擇方面的研究已經(jīng)進(jìn)行了一定研究，提出了一種用于

21、特征選擇的多準(zhǔn)則融合差分遺傳算法仿真數(shù)據(jù)實(shí)驗(yàn)為了測試算法的尋優(yōu)能力，作了如下仿真試驗(yàn)。樣本數(shù)共281個(gè)，三類樣本組成，這三類的樣本數(shù)分別為93，108和80，特征維數(shù)為20，其中特征1和特征2是有效的分類特征，特征3至特征20的取值為0到1之間的隨機(jī)數(shù)，對分類基本不起任何作用。可見，遺傳優(yōu)化的目標(biāo)是得到最優(yōu)特征組合11000000000000000000。研究基礎(chǔ)-研究工作積累和已取得的研究工作成績* 研究基礎(chǔ)-研究工作積累和已取得的研究工作成績* 滾動軸承故障特征選擇采用沈陽發(fā)動機(jī)設(shè)計(jì)研究所研制的帶機(jī)匣的航空發(fā)動機(jī)轉(zhuǎn)子試驗(yàn)器進(jìn)行故障模擬實(shí)驗(yàn)，分別在試驗(yàn)器垂直上方和水平方向布置加速度傳感器，獲取機(jī)匣的振動加速度信號，振動信號通過NI USB9234 數(shù)據(jù)采集器進(jìn)行采集，加速度傳感器信號為B&K 4805，采樣頻率為10.24 kHz，實(shí)驗(yàn)的對象為6206型滾動軸承。13個(gè)無量綱特征量的符號定義為：歪度S1、波型因數(shù)S2、沖擊指標(biāo)S3、峰值指標(biāo)S4、峭度S5、裕度指標(biāo)S6、重心頻率S7、均方頻率S8、頻率方差S9、