于春梅

西南科技大学信息工程学院，四川绵阳 621010

稀疏特征选择在过程工业故障诊断中的应用

于春梅

西南科技大学信息工程学院，四川绵阳 621010

从一定意义上讲，故障诊断可以看成是用模式识别或者模式分类方法来解决故障的分类问题[1]。作为一种有效的降维手段，多元统计类方法在大规模工业系统，如过程工业的故障检测和诊断中发挥了重要作用。已经证明，如果直接对被测量采用主元分析法（Principal Component Analysis，PCA）或者Fisher判据分析法（Fisher Discriminant Analysis，FDA），得出的故障诊断结果并不理想。特征选择方法从原始空间选择子集，不仅可以降低数据维数，减少计算量；还可以去除冗余信息，有效提高故障诊断效果[2]。

影响特征选择的两个主要因素一是选择准则（影响精度），二是搜索算法（影响速度）。对于选择准则，一般采用可分性准则或基于时频分析的方法；搜索算法一般分为穷尽搜索、顺序搜索和随机搜索。对特征选择的改进要么在选择准则上有所创新，要么在搜索算法上下功夫，又或者二者兼而有之。随着对压缩传感研究的深入，不少学者意识到特征选择问题也可以表示成压缩传感的优化问题求解；这时，选择准则为优化目标函数，而搜索算法则是优化问题的求解算法。Yang等[3]将识别问题转化为寻找训练集中图像特征的稀疏表达问题；Cao等[4]利用稀疏优化问题选择基因SNP数据中的关键部分；二者均取得了较好的效果；但所采用的特征并不适用于过程工业数据。如何基于稀疏优化来选择过程工业数据的关键特征，使其利于对特定故障的诊断？……