刘道元 郭 宇 黄少华 方伟光 杨能俊 崔世婷

南京航空航天大学机电学院，南京，210016

0 引言

日益激烈的市场竞争和复杂多变的客户需求对制造企业缩短产品生产周期、按时交付订单提出了更高的要求，订单剩余完工时间的准确预测能够为动态的生产计划调整、生产过程优化提供合理的判别依据，对订单产品的准时完工具有重要的指导意义[1]。在当前生产方式灵活、产品种类繁多的离散制造车间中，智能传感器的大量应用为预测订单剩余完工时间提供了海量的生产数据[2]，但同时也带来了“维度灾难”的问题，因此有必要设计一种合理的特征选择方法来有效地从众多特征中获取关键特征，以降低求解问题的复杂度，提高预测模型与实际生产运行规律的拟合度，保证预测的准确性。

特征选择是指从候选特征中挑选若干个具有代表性的特征组成关键特征子集，当前的主要研究方法包括封装式和过滤式特征选择算法。

封装式特征选择算法需要对每个特征子集进行学习器训练，根据学习器性能选择关键特征子集。相关学者使用量子遗传算法[3]、改进粒子群算法和禁忌搜索相结合[4]、粗糙集相对分类信息熵和粒子群算法相结合[5]的方法进行特征选择，首先对每个特征进行编码，然后根据学习器的预测结果计算适应度值，不断迭代至收敛，最后选择适应度值最高的特征子集作为关键特征子集。ZHONG等[6]使用SVM-RFE算法构建特征空间，然后使用皮尔森系数剔除特征空间中有相同意义的特征，最终从26个候选特征中选择6个特征组成最优特征子集。……