基于粗糙集与神经网络集成的内燃机故障诊断

鉴于粗糙集理论对于决策系统的约简处理能力以及神经网络的自组织聚类和非线性映射功能，提出了应用SOM的网络-粗糙集-BP网络集在进行故障诊断的方案：应用SOM网络离散化故障诊断数据中的连续属性值；基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统，在量优决策系统的基础上设计BP网络进行故障诊断，柴油机的实际诊断结果验证了将神经网络与粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其它机械设备。     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断

考虑模糊聚类的数据离散功能，粗糙集理论对决策系统的约简能力，以及模糊神经网络在模式识别方面具有的优势，提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案：首先，应用FCM聚类方法离散故障诊断数据中的连续属性值；然后，基于粗糙集理论计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下，该方案可以推广应用于其它机械设备。     

基于粗糙集理论的柴油机神经网络故障诊断研究

介绍了粗糙集理论的核心内容 ,给出了基于 kohonen神经网络的连续属性值离散化方法。应用粗糙集理论对反映柴油机运行工况的特征参数进行了属性简化 ,剔除了不必要的属性。研究了 RBF神经网络故障诊断模型及学习规则 ,给出了基于粗糙集理论的 RBF神经网络故障诊断原理和步骤。通过对柴油机供油系统柱塞磨损故障的自动分类和诊断 ,表明该系统能有效地减少神经网络的输入节点数 ,克服了神经网络规模过于庞大及分类识别速度慢等缺点。     

基于异构粗糙神经网络集成的故障诊断研究

将粗糙集与神经网络集成相结合,提出一种基于异构粗糙神经网络集成进行故障检测的方法。首先利用粗糙集的属性约简能力,从给定数据集中去除冗余信息;然后基于负相关学习理论构造多个异构成员神经网络,最后组合多个训练好的异构神经网络进行故障诊断。该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明,基于异构粗糙神经网络集成的故障诊断方法具有最好的诊断正确率。     

基于粗糙集和神经网络的内燃机转子振动故障诊断方法研究

提出了一种基于粗糙集和神经网络的柴油机转子振动故障诊断方法。首先计算传感器采集数据的小波包,提取振动信号能量特征,其次粗糙集对不同振动信号能量特征数据离散方法的基础上,针对数据结构特征确定了等频离散法与公平尺度法相结合的离散方法,最后以获取的规则为输入,利用BP神经网络进行故障诊断。将我们建立的故障诊断方法应用到柴油机转子振动系统中去,表明了该种方法的有效性。     

基于粗糙集和神经网络的柴油机故障诊断

介绍了粗糙集理论的核心内容和ROSETTA软件的特点,给出了基于粗糙集理论的柴油机缸盖振动信号的故障诊断系统。以某型号大功率柴油机为例,首先将提取的缸盖振动信号经过小波包消噪和时域、频域分析,构造出用于故障诊断的特征值,然后应用ROSETTA软件约简特征属性,最后通过神经网络进行故障模式分类。通过对比ROSETTA软件处理前后神经网络的输出结果,表明粗糙集理论能优化特征属性,有效地减少神经网络的输入节点数,提高故障分类的准确率。     

基于粗糙集理论的汽轮机组回热系统故障诊断模型

在分析了汽轮机组回热系统现有故障诊断方法无法解决冗余征兆的不足之后,提出了一种基于粗糙集理论的故障诊断模型。该模型从回热系统典型故障模式出发,通过连续征兆属性的离散化建立了故障诊断决策表;利用遗传算法实现了故障征兆属性约简,并提出了结合领域知识的最小约简择优策略,然后通过给出的决策规则约简的基本原则,得到用于故障诊断的决策规则库。在应用该模型进行故障诊断时,用待诊实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则进行综合评价,并得出诊断结论。利用电站仿真机模拟典型故障进行了故障诊断模型的验证,实践表明,该模型可以有效地约简冗余的故障征兆,并具有较好的诊断效果和一定的容错能力。     

基于粗糙集与证据理论的凝汽器故障诊断研究

针对凝汽器故障诊断问题,提出了一种基于粗糙集和证据理论相结合的故障诊断方法。利用粗糙集相对约简的不唯一性,对凝汽器故障征兆进行分类,形成不同的证据来源,既实现了证据理论对于同一事物要求有不同的证据来源的要求,又对故障征兆参数进行了降维处理,减小了网络的规模,有效缓解了由于输入参数过多给网络带来的收敛困难问题。该诊断方法将粗糙集、神经网络和证据理论有机地结合在一起,使三者优势互补,充分利用了凝汽器故障征兆的冗余、互补信息。实例证明,基于多故障诊断网络信息融合的诊断识别准确性和可靠性比基于单一故障诊断网络的诊断识别有较大的提高。     

基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断北大核心CSCD

新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测,而传感器故障会导致荷电状态等指标出现误差,严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断,提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization,GAPSO)和模糊神经网络(fuzzy neural network,FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断,该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据,然后对故障数据进行预处理及特征提取,最后采用GAPSO-FNN算法对电池传感器进行故障诊断,并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明,基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%,相比于模糊神经网络准确率提升了10%,故障诊断准确率能够达到95%,在减少故障诊断所需信息量的同时,有效地提升了故障诊断的准确率。     

基于粗集理论的柴油机典型故障的磨粒识别

利用铁谱技术分析柴油机的典型故障,建立柴油机的典型故障与磨粒类型的关系,在此关系的基础上基于粗集理论确定典型故障模式识别的最优决策规则,通过试验结果验证了最优决策规则的准确性。为铁谱技术的智能诊断提供了依据。     

基于粗糙集理论的电网故障诊断决策表约简新算法

在可辨识矩阵属性约简基本算法的基础上结合Tabu搜索优化算法,提出了基于Tabu搜索的电网故障信息决策表属性约简新算法,该算法有效解决了常规基于核的约简算法的有效计算问题。通过大连电网的实际算例,证明了该算法可有效应用于电网的故障诊断中,并具有简单、快速、有效的特点。     

防洪风险决策模型的应用研究

将三蛱为中心的防治系统作为研究对象,通过工程技术分析,预选出若干防洪综合措施的有限方案集,运用多目标风险决策优化模型,求出各方案的评价指标,并用效用理论选出最佳均衡解。     

基于多类支持向量机的变压器故障诊断模型

针对现有支持向量机诊断模型构造复杂、参数设计困难等问题,建立了基于多类支持向量机的变压器故障诊断模型,并提出一种实用的支持向量机参数寻优方法。该方法结合网格搜索,对训练样本进行分组交叉验证寻找给定范围内的最优参数,有效地解决了支持向量机的参数设计难题。实例计算表明,基于参数寻优建立的多类支持向量机模型在保证很高的故障分类正确率的同时,大大降低了二值支持向量机分层组合模型的构造及参数设计的复杂程度,具有很好的实用性和推广性。     

基于改进粒子群优化神经网络算法的波浪捕获功率预测

传统BP神经网络算法应用于波浪发电系统捕获功率预测,易陷入局部最优和泛化能力不足,为此提出一种改进的粒子群优化神经网络算法,动态调整学习因子并添加变异算子。采用间接预测策略,搭建从波浪数据到波浪捕获功率的直驱式波浪发电系统模型;应用改进算法预测分析波浪历史数据,输入搭建模型,进而获得波浪捕获功率预测值。比较分析不同预测步数和不同算法的仿真结果可知,改进算法能有效克服传统算法不足,提高预测精度。     

多阶段多目标系统的模糊优化决策理论与模型

本文将文[1]提出的模糊优选理论,拓广应用于多阶段多目标决策系统。发展了文[2]提出的多阶段多目标系统的模糊优化(也称优选)决策理论、模型与解法。并给出实例。