粗糙集理论在机械故障诊断中的应用研究

为了对诊断过程中大量的宙余特征进行压缩或约简,将粗糙集理论引入到机械故障诊断过程中,提出了一种特征约简的算法,通过2个典型诊断实例对该算法进行了验证,结果表明：在保证故障分类结果基本不变的情况下,该算法可以查找出对故障分类起主作用的特征,从而达到了特征约简的目的,为粗糙集理论在机械故障诊断中的深入应用打下了基础。     

基于Dempster-Shafer证据理论的信息融合在设备故障诊断中应用

给出了一种基于神经网络的基本概率分配构造方法和诊断决策规则，提出了一种基于Dempster—Shafer证据理论的多故障特征信息融合的故障诊断方法，并以旋转机械故障诊断为例，详细说明了该方法的具体实现步骤。结果表明，经过多故障特征信息融合，诊断结论的可信度明显提高，不确定性明显减小，因此充分显示了该诊断方法的有效性。     

基于融合面积谱和粗糙集理论的旋转机械故障诊断

本文提出了基于融合面积谱和粗糙集理论的旋转机械故障诊断方法,通过对四种常见故障数据的分析,得出结论：相对于单截面数据,基于融合面积谱和粗糙集理论的故障诊断方法大大地提高了诊断的速度和正确率。     

基于信息融合理论的风机故障诊断

借助粗糙集理论中的动态层次聚类的连续属性离散化算法和属性约简算法,对金属矿主通风机各类特征信息在线监测的数据进行融合,去除风机故障诊断决策表中的冗余和不一致信息,分析并推导出导致风机故障各因素的内在联系,找出关键因素和非关键因素,最终提取出故障诊断规则.研究结果表明:该故障故障方法能够对金属矿主通风机故障做出快速准确的诊断,并且在某矿山的实际应用中取得了良好的效果,达到了预期的目标.     

基于粗糙集理论和因果图的故障诊断

【目的】复杂系统发生故障时会导致许多冗余信息产生,以此建立的因果图模型结构复杂,推理难度较大,针对这个问题提出了基于粗糙集和因果图理论的故障诊断方法。【方法】先根据历史故障数据建立决策表,利用粗糙集理论对决策表进行属性约简得到最小决策表,再根据最小决策表对原始因果图进行约简,最后利用约简后的因果图模型进行故障诊断推理。【结果】从一定程度上降低了因果图模型的复杂程度,从而提升了推理速度。【结论】以某电网为例应用此方法,因果图模型的确得到了简化,样本检验结果也与实际结果一致,说明了该方法的可行性和准确性。     

基于粗糙集和证据理论的决策规则提取

提出一种基于粗糙集和证据理论的两阶段决策规则提取算法, 该算法首先利用粗糙集中属性缩减的思想, 找出每条规则中的重要条件属性集合, 然后再基于证据理论中证据结合的思想进一步去掉重要条件属性集中的冗余条件属性, 从而得到最终的决策规则. 所给算法简化了属性集的约简, 对高维数据也是可行的. 实验结果表明, 利用该算法能够挖掘出高质量的决策规则.     

基于证据理论的电机故障诊断方法研究

在DS证据理论的基础上,结合模糊集合论,给出了多传感器数据融合一般化方法,并将其应用于电机故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较,说明多传感器数据融合能明显提高故障诊断的准确率。     

证据理论在旋转机械综合故障诊断中应用

针对旋转机械故障诊断中在同一征兆域中很难区分多种故障的实际情况,研究利用其他征兆域的诊断信息,进行全局信息融合,从而获得更为准确的故障定位,提出一种基于神经网络和Dempster-Shafer证据理论的多参数综合诊断系统模型,在该模型中采用证据理论的组合规则进行局部和全局信息融合,得出较好的诊断结果。     

一种基于证据融合的故障诊断方法

结合故障诊断工作的实际场景,通过计算故障信息观测值与参考值之间的差异,生成对应的故障信度分配函数。然后基于证据分类的思想,将故障证据分为可信证据和冲突证据,并定义每个证据的可信度。最后,利用证据可信度修正最初的信度分配,再利用证据融合公式得到综合的故障诊断结果。电机转子故障诊断的实例表明本文提出的方法能够准确快速地识别产品故障,基于证据分类的修正方法能够加速故障信度分配的收敛。     

D-S证据理论在多传感器故障诊断中的改进及应用

为了解决在多传感器信息融合处理故障诊断过程中,传统证据理论对含有冲突证据的处理结果与实际相悖的问题,介绍了传统D-S证据理论的基本构架,分析了其在处理含有高冲突的证据融合过程中将高信任度分配给小可能故障源的不足,提出了一种新的基于模糊成员函数和证据平均距离的证据调整方法,该模糊成员函数充分考虑了专家知识对基本概率分配函...     

基于粗糙集理论旋转机械频域特性的故障诊断

应用粗糙集理论将旋转机械转子的频域信息作为研究对象, 从转子故障实验的频域图表及其相关数据中, 构造符合粗糙集理论要求的决策表, 并对决策表进行约简, 得到旋转机械故障诊断的决策规则, 通过区分矩阵和区分方程寻找决策表的约简和核, 最后优化鳞选出决策表的最小约简形式.     

一种基于粗糙集理论的设备故障诊断方法

粗糙集理论是一种处理模糊和不确定知识的数学工具。本文根据粗糙集理论,对设备的振动故障诊断决策表进行属性约简,以提取故障识别的重要属性,降低决策表的冗余性。分析表明,粗糙集理论应用于故障诊断可得到更清晰、简明的诊断规则。     

粗糙集与故障树理论的组合故障诊断

故障知识的获取以及故障树结构的确定一直是亟待解决的瓶颈问题.将粗糙集理论引入到故障树的故障诊断中,利用粗糙集对实例测得的故障信息进行知识约减和知识获取,寻找系统各个故障源信号之间的逻辑关系,并通过这些逻辑关系构造基于知识的故障树模型.故障实例分析表明,将粗糙集理论与故障树有机结合在一起进行故障诊断能有效地压缩故障特征空间,实现快速、准确的故障推理.     

基于粗糙集理论的电力系统故障诊断

鉴于粗糙集理论具有在处理不精确问题时,不需要提供待求解问题所需处理的数据集合之外的任何先验信息的特点,运用粗糙集方法把保护和断路器的信号作为对故障分类的条件属性集,并考虑了各种可能发生的故障情况,以此建立决策表。然后实现决策表的自动化简和约简。搜索决策表的约简形式,区分关键信号和非关键信号,从故障样本集中导出诊断规则,从而达到在不完备信息下快速准确地进行故障诊断的目的;揭示了这种方法的有效性。     

基于粗糙集理论的低压电器故障诊断方法研究

通过分析低压电器的故障,提出一种基于粗糙集理论的故障诊断方法。根据故障历史样本,确定样本的条件属性集合和相应决策属性集合。对条件属性集合进行约简,实现不确定数据的简化,得到相应的规则集合,并将其应用于低压电器常见故障的诊断。     

智能故障诊断的粗糙决策模型

为了提高故障诊断的精度和降低误报率,提出了粗糙决策智能故障诊断模型·该模型可以对决策表进行无教师的规则提取;通过自学习,用较少的样本即可对故障进行分类·将复杂系统的原始样本集转化成了决策表,利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集的条件属性进行了约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行规则提取,提高了故障诊断的鲁棒性·给出了基于该模型的故障诊断步骤·以实例介绍了利用该模型进行故障诊断的全过程·     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S(Dempster-Shafer)证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

基于粗糙集与模糊神经网络的多级压缩机诊断

为解决多级往复式压缩机故障诊断这一复杂问题,提出了一种棋于智能互补融合的智能诊断策略、该策略利用粗糙集理论对数据样本进行党费,形成初步的诊断规则,并基于该结果形成模糊神经网络,再利用网络的分类逼通能力,建立从故障状态空间至解释空间的精确映射,从而达到故障诊断的目的,另外,还提出了一种基于误差反馈的节点函数特性变化模糊神经网络逼近器和新的数据党费度量指标－数据蒸发率,对一台四级压缩机的故障诊断结果表明,提出的新方法具有诊断率和数据蒸发率高、结果易于被人理解、诊断计算最小等优点。     

基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.