一种新型Filter-Wrapper组合故障特征选择算法

"基于过滤器一封装器组合模型的故障特征选择算法，结合了过滤器法的速度优势和封装器法的精度优势，通过Fisher准则排序和遗传算法搜索特征子集，提高了特征选择的性能和效率。应用于滚动轴承故障模拟试验数据，验证了算法的有效性。" 本文主要探讨的是在故障诊断领域中的一种特征选择方法，该方法结合了过滤器法（Filter）和封装器法（Wrapper）的优点，形成了一种新的两阶段组合式特征选择算法。过滤器法以其快速筛选特性而被广泛使用，但可能牺牲一定的选择精度；封装器法则能提供较高的选择精度，但计算成本较高。为了兼顾速度与准确性，研究者提出了这种新型算法。 在Filter阶段，该算法利用Fisher准则对特征进行排序。Fisher准则是一种衡量特征之间独立性的统计方法，通过计算特征之间的方差比（F值），来评估每个特征对分类的影响程度，从而对特征进行优劣排序。 接下来进入Wrapper阶段，算法依据Filter阶段得到的特征排序结果，采用遗传算法来搜索最优的特征子集。遗传算法是一种模拟自然选择和遗传机制的优化方法，通过设定分类器的性能作为适应度函数，判断特征子集的优劣。在每一代的迭代过程中，遗传算法会根据适应度函数的评价结果，进行选择、交叉和变异操作，以寻找最佳特征组合。 通过在滚动轴承故障模拟试验的数据上应用该算法，研究者验证了其性能和效率的提升。实验结果显示，与仅使用过滤器法或封装器法相比，该组合模型能够在保持较高分类准确率的同时，显著提高了特征选择的速度，体现了方法的优越性。 关键词：故障诊断、特征选择、过滤器法、封装器法，这些标签揭示了文章的主要研究方向和技术手段。文章的分类号TH117表明这属于机械设备领域的技术论文，文章编号则为该论文在特定期刊中的唯一标识。 这篇论文提出了一种创新的特征选择策略，将过滤器法的效率和封装器法的精度相结合，以解决故障诊断中的特征选择问题，为后续的故障分析和诊断提供了更为高效且精确的方法。