基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用

刘晓平， 郑海起， 祝天宇

(1.军械工程学院，石家庄 050003;2.武汉军械士官学校，武汉 430075)

机械故障诊断是一个典型的模式分类问题。首先，通过安装在机械设备上的各类传感器提取该设备的运行信息。然后，利用各种信号处理方法进行分析处理，形成原始特征集。最后，将特征集作为分类器的输入，达到故障分类的目的。然而，在实际的故障诊断中，原始特征集中常常包含冗余特征，导致计算量的加大以及分类精度的降低。因此，研究如何寻找最优的特征子集，提高诊断精度是一个有重要意义的课题［1，2]。

在实际应用中，寻找最优的特征子集通常是很难的，高维数据情况下特征选择问题通常是 NP难问题。因此只能通过非穷尽搜索算法在运算效率和特征子集质量间折中考虑。遗传算法、模拟退火等非穷尽式随机搜索算法在特征选择中已有了较多的研究［3，4]。然而传统的遗传算法易于过早收敛和陷入局部极小。在模拟退火中，任何比对数下降快的降温方式都不能保证算法收敛到全局最优点，而足够慢的降温过程又导致了极低的搜索效率。

进化蒙特卡洛(EMC)［5，6]是一种基于总体的蒙特卡洛方法，它联合了遗传算法与模拟回火各自的优点。运用遗传算法中变异和交叉的思想指导马尔可夫蒙特卡洛移动，是一种具有“学习”能力的蒙特卡洛方法。研究表明，进化蒙特卡洛对于高维分布采样模拟和优化问题是非常有效的［7－9]。

将进化蒙特卡洛方法引入机械故障诊断的特征选择，采用支持向量机(SVM)作为分类决策器，Wrapper式特征子集评价标准，利用进化蒙特卡洛算法搜索最优特征子集。……