一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

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。     

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。     

基于粗糙集理论和贝叶斯网络的断路器故障诊断方法

为了快速准确地诊断出断路器的故障原因,笔者提出了一种断路器的故障诊断方法。该方法以粗糙集理论为基础,建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则。基于最小故障诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推断。经真空断路器故障的实例分析表明,该方法是可行有效的。     

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.     

故障诊断知识获取的一种神经网络理论方法

基于神经网络的竞争学习机制,提出了一种新的基于神经网络专家系统的自动化生产过程监控的知识获取理论方法.这种理论方法在故障诊断的知识获取上是通过竞争学习机制来实现的,与以往人们一般较常采用的BP学习算法相比,具有算法简单、易于实现及无需教师进行监督等特点.利用此方法,经在一个铣削加工过程监控系统上进行仿真研究表明:这种理论方法是非常有效的.     

一种切实可行的球磨机故障诊断方法

球磨机是矿石研磨工艺中的关键设备,它的控制是一个比较复杂的系统,需考虑各种连锁条件,而利用自组织特征映射SOM——神经网络方法,以频谱和波形特征为依据,总结出它发生故障时的征兆集、故障集和故障特征,解决了球磨机的故障诊断这一难题。在MATLAB环境下给出了球磨机故障诊断的具体实例。理论研究和实验数据分析都表明该方法是一种可行有效的球磨机故障诊断方法。     

大线性电阻电路的单故障诊断的一种方法

提出了非线性模拟电路故障诊断的一种测前模拟法。应用伴随电路及特勒根定理导出故障诊断方程，用等电位屏蔽技术识别故障，非线性元件用其工作点参数等效线性化，可对故障电路逐级分块诊断，适用于大规模线性和非线性模拟电路。     

基于RST改进NN模型的高压输电线系统故障诊断

为了克服实时诊断信息在形成和传递过程中的畸变而导致故障诊断结果的错误，在基于粗糙集理论(Rough Set Theory，简称RST)的高压输电线系统故障诊断模型的研究基础上，充分利用神经网络(Neural Networks，简称NN)的泛化能力和粗糙集理论强大的定性分析能力，构造了RST与NN相结合的故障诊断模型。首先利用RST从诊断样本中提取领域知识，然后利用所提取的诊断对象知识属性形成诊断NN的初始结构，进而增强诊断NN的智能性和容错性。通过高压输电线系统故障诊断的仿真结果比较，证明了该模型的有效性和通用性。该模型即使在诊断信息不完整的情况下，也具有高的诊断容错性能，因此在电力系统实时故障诊断方面具有广阔的应用前景。     

一种FNN分类器及其用于故障诊断的方法

通过对ＦＮＮ分类器的几种结构，算法以及输入、输出模糊化的分析，提出了ＦＮＮ用于故障模式分类的方法，最后用一仿真例子证实子分析结果。     

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Rough Sets-C4.5的故障征兆提取与判别

针对原始信息系统往往存在大量重复样本和冗余属性,从而影响实际故障诊断的精度和速度这一问题,介绍了一种基于粗糙集和决策树C4.5算法相融合的故障诊断模型,用于设备的精确和快速故障诊断.利用粗糙集具有较强的处理不确定和不完备信息的能力,对原始样本集进行离散化及约简处理;同时,利用决策树C4.5算法对约简后的决策表进行快速学习并形成树状故障分类器.以实例介绍了利用该模型进行故障诊断的完整过程.     

粗糙集理论在内燃机柱塞故障诊断中的应用

在对内燃机柱塞等故障利用神经网络进行诊为的基础上，引入粗糙集理论，对其在故障诊断特征参数属性优化中的运用进行了探索，并对故障诊断决策进行属性约简，剔除其中不必要的属性，揭示了故障诊断条件属性内在的冗余性，降低了神经网络构成的复杂性，最后给出了属性约简的结果。     

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.     

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.     

基于粗糙集的模糊模型辨识方法

提出了一种基于粗糙数据分析的模糊模型辨识方法·二值化数据过滤和决策表的简约算法是该方法的两个关键点·通过将传统的决策表转化成二进制决策表,并采用二值化数据过滤技术,可以同时简化决策表的属性和属性值·通过决策表的简约算法,从决策表中提取出重要的属性和关键的属性值,从而得到了输入空间的模糊最优化分,进一步得到模糊模型的前提结构和参数·利用这种方法以一组经典数据为背景建立了岩石边坡工程中边坡稳定性分析的模糊模型,仿真结果说明了该方法的有效性     

一种基于粗糙集理论的规则核值的扩展算法

应用粗糙集的理论,提出一种基于规则核值的扩展算法。利用该算法对从信息数据进行约简,并求出规则的核值．在规则核值的基础上对规则进行扩展,从而去除规则中的冗余条件,得到更加简化的规则．     

融合粗糙集和证据理论的车地无线通信设备故障诊断

针对车地无线通信设备故障诊断信息不一致的情况进行故障推理和诊断,提出了一种融合粗糙集与证据理论综合集成的车地无线通信设备故障诊断方法.该方法首先利用粗糙集剔除故障特征数据的冗余成分,提取互不相关的必需特征,将车地无线通信设备故障诊断问题用一个不同简化层次的故障决策网络表示,由网络节点根据定义出的规则置信度和覆盖度可推导出对应有效的故障诊断规则集合.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制,便可方便得出车地无线通信单元故障诊断结果,实例分析表明该方法能有效提高模型故障诊断能力,具有较强实用性.