基于属性约简与参数优化的SVM故障诊断研究

应用数据挖掘的方法从实时数据库中提取相应的故障诊断知识是一种有效途径,也是很有现实意义和研究价值的问题。为提高汽轮机组故障诊断的效率,并考虑其计算成本和复杂性,把关联分析作为数据的前处理器,通过计算属性间的相关系数,结合最大最小聚类方法,删除冗余属性。然后采用支持向量机进行故障诊断,构造SVM多分类器,采用粒子群优化算法对参数寻优并训练样本。并与BP神经网络和线性判别分析做比较,实验表明此故障诊断方法诊断速度快、准确率高,可以很好地应用于设备故障诊断。     

基于一种条件熵的决策表属性简约算法在故障诊断中的应用研究

条件熵的粗糙集理论算法可以考虑条件属性和决策属性之间的关系,并在故障诊断中的应用具有一定优势.采用基于条件熵的粗糙集属性简约算法,并将其应用于航空无线电设备故障诊断.实验结果表明,故障诊断是准确、可靠的.该算法具有一定使用价值.     

一种粗集与灰理论结合算法在柴油机故障诊断系统中的应用

提出一种基于粗糙集描述理论与灰理论的故障诊断属性约简方法,将用粗糙集描述理论算法进行故障诊断条件属性约简的结果,依据灰色关联度算法计算灰关联系数,进一步确定约简集中条件属性间的重要性,求取最佳属性约简集.在柴油机燃油系故障诊断系统,获取了最佳属性约简集,系统运行测试获得好的故障诊断结果.     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

RS-BPNN 在网络故障诊断的仿真研究

研究网络故障诊断,针对保证网络安全可靠问题.网络故障诊断是一个复杂的过程,网络故障属性数量多且属性之间存在着大量冗余信息,传统故障诊断方法不能有效消除冗余信息,从而使网络故障诊断的准确率低.为了提高网络故障诊断的准确率,提出了一种粗糙集(RS)BP 神经网络(BPNN)的网络故障诊断方法(RS-BPNN).利用 RS 理论对网络故障属性集进行属性约简,消除属性之间冗余信息,使属性独立.将约简后的决策属性作为 BPNN 输入,通过 BPNN 非线性自学习,提高网络故障诊断的准确.通过 RS-BPNN 对网络故障数据进行仿真,仿真表明,相比传统网络故障诊断方法,RS-BPNN 加快了网络故障诊断的速度,提高了网络故障诊断准确性,证明是一种有效的网络故障诊断工具.     

基于粗糙集和神经网络的密闭鼓风炉故障诊断

针对密闭鼓风炉过程机理的复杂性及过程信息的不确定性,研究了基于粗糙集(RS)与神经网络相结合的故障诊断方法。采用自组织映射神经网络(SOM)和条件属性依赖度相结合的方法,对连续的样本数据进行离散化,应用基于专家经验与条件属性依赖度相结合的属性重要度计算方法进行启发式RS约简,并把约简结果作为BP神经网络的输入。实验结果表明,采用该方法不仅优化了神经网络的拓扑结构,降低了神经网络的训练时间,同时大大提高了学习速度和故障诊断的准确率。     

基于粗糙集的变电站故障诊断规则提取方法研究

运用粗糙集理论研究了变电站故障诊断规则提取,提出了基于属性重要度和分辨矩阵的诊断规则提取算法.通过改进基于属性重要度的粗糙集属性约简算法,得到决策表的一个最小约简,然后将分辨矩阵引入值约筒中得到决策规则.采用该算法对变电站故障决策表进行属性约简和值约简,抽取出变电站故障诊断的精确规则库进行故障诊断.实验结果表明了该方法的有效性.     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于粗糙集和图论的电力系统故障诊断方法

将粗糙集与图论相结合处理电力系统故障诊断,提出了故障决策表图的新概念,得到一种基于粗糙集和图论的电力系统故障诊断方法,并进一步提出了故障信息覆盖度和故障诊断规则分级的概念.利用故障决策表图及其邻接矩阵,得到了快速识别决策表核属性和属性约简的方法,并将规则分级应用于故障规则提取.利用所提出的方法对具体实例进行处理,仿真结果表明,该方法能有效地减少时间和空间复杂度,可根据设定的阈值提取诊断规则.     

粗SVM方法及其在发动机故障诊断中的应用

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服过学习和泛化能力低等缺陷.但是在利用支持向量机的分类算法处理实际问题时,该算法的计算速度较慢、处理问题效率较低.文中介绍了一种新的学习算法粗SVM分类方法,就是将粗糙集和支持向量机相结合,利用粗糙集对支持向量机的训练样本进行预处理,通过属性约简方法以减少属性个数,且在属性约简过程中选出几组合适的属性集组成新的属性集,使模型具有一定的抗信息丢失能力,同时充分利用SCM的良好推广性能,从而缩短样本的训练时间,实现快速故障诊断.对航空发动机故障诊断的实验结果表明了该方法的优越性. 型机器学习方法,它能够较好地克服过学习和泛化能力低等缺陷.但是在利用支持向量机的分类算法处理实际问题时,该算法的计算速度较慢、处理问题效率较低.文中介绍了一种新的学习算法粗SVM分类方法,就是将粗糙集和支持向量机相结合,利用粗糙集对支持向量机的训练样本进行预处理,通过属性约简方法以减少属性个数,且在属性约筒过程中选出几组合适的属性集组成新的属性集,使模型具有一定的抗信息丢失能力,同时充分利用SCM的良好推广性能,从而缩短样本的训练时间,实现快速故障诊 .对航空发动机故障诊断的实验结果表明了该方法的优越性. 型机器学习方法     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

TEP故障诊断方法研究

针对TEP(Tennessee Eastman Process)的故障诊断问题,分别采用PCA主元分析法与粒计算属性约简算法对TEP的52个变量在15种故障情况下的实测数据分别进行处理。结果显示采用PCA主元分析方法可以将其中的14个对各种故障情况都无影响或影响微弱的变量排除,而采用基于粒计算的属性约简算法。对预处理后的数据进行属性约简,可以将条件属性约简至24个即排除28个条件属性,表明该方法对TEP故障诊断的有效性。     

基于专家知识库属性重要度的故障诊断方法研究

利用粗糙集理论中重要性度量的概念和专家知识库集成技术,研究了复杂系统故障诊断的一类新方法.在给出多领域专家知识库集成系统定义和复杂系统状态赋值规则的基础上,利用粗糙集理论中的属性重要度的概念建立了专家知识库属性重要度模型,构造了一种能对实时动态环境进行监控和故障诊断的多领域专家知识库集成故障诊断系统的网络化模型,并提出了相应的算法.此方法已成功应用于复杂系统的故障诊断,取得了良好的应用效果,并具有良好的更新能力和应用前景.     

粒矩阵属性约简的启发式算法

属性约简是粗糙集理论一个重要的研究问题.在粗糙集理论上,利用粒计算的思想构建了粒矩阵,提出并定义了粒矩阵相与运算,建立了基于粒矩阵的知识粒化方法,并且给出了粒矩阵属性约简的启发式算法.采用粒矩阵进行属性约简选择最小属性集,跳出了传统属性约简的先求解属性核,再求解最优属性集的方法.理论分析表明了新的算法是可靠有效的,给粒计算属性约简提供一个新的思路,为进一步研究粒计算提供可行的方法.     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

证据算法改进及在并行故障诊断的应用

针对D-S证据理论合成公式处理并发故障诊断中高冲突证据时存在的不足,提出了一种改进的证据组合方法:考虑焦元属性之间及证据之间的相互关联性,利用证据的相似度给每个证据确定支持度,再采用组合公式融合.并结合某型飞机燃油系统并发故障诊断实例验证了算法的有效性.     

基于属性层次模型的柴油机故障证据融合方法

针对证据理论在覆盖率高的柴油机故障诊断中容易出现证据融合误差的问题,提出一种基于属性层次模型的证据融合方法.首先,通过余弦相似度改进目标层权重算法,得到反映目标层不同证据源差异的本质差异因子;然后,采用贝叶斯网络规则改进属性层权重算法,计算相关联的属性层证据源熵值权重;最后,通过故障层次关联特性和CWAA算子修正证据理论融合规则,将不同层次属性权重有效融合,减少系统复杂性引起的诊断误差.在R6105AZLD柴油机台架上的实验结果表明,引入所提方法后的诊断准确度和鲁棒性大幅提高.     

基于RS和DWT—IOSVM的模拟电路故障诊断

针对以往故障诊断模型往往忽略故障数据中存在的大量无关和冗余信息以及故障诊断精度不高的缺点,设计了一种基于粗糙集(Rough Set,RS)和离散小波变换(Discrete Wavelet transform,DWT)一支持向量机(Support Vector Machine,SVM)的模拟电路故障诊断方法;首先,采用离散小波变换获取电路故障诊断特征向量以去除无关信息;然后通过基于RS属性出现频率的差别矩阵算法对特征向量进行属性约简以消除冗余属性;最后,建立多分类的SVM对电路进行分类以实现故障诊断,为了进一步提高故障诊断精度,采用改进免疫优化算法(Immune Optimizing Algorism,IOA)对SVM核函数的各参数进行优化;仿真实验表明,文中方法能有效实现电路的故障诊断,与其它方法相比,故障精度高达100%,是一种有效的电路诊断方法。     

基于粗糙集和图论的ZPW-2000A轨道电路故障诊断模型

目前,对于ZPW-2000A无绝缘轨道电路的判别方法主要是依赖人工测试和分析,存在主观性强、判别效率低等缺陷。为了解决上述问题,将粗糙集理论和图论知识相结合引入到ZPW-2000A无绝缘轨道电路的故障诊断中。通过构建故障诊断决策表以及加权多部决策表图及其邻接矩阵,获得一种基于邻接矩阵的属性约简方法以及识别核属性的方法,并利用故障规则的分级以及故障信息覆盖度完成故障规则的提取。研究表明,该算法条理清晰,计算简便,能够有效减少算法复杂度。     

基于粗糙集和贝叶斯分类器的变电站故障诊断

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和贝叶斯分类器的变电站故障诊断方法.首先利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行挖掘,实行属性优选,再运用朴素贝叶斯分类器对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示了该方法能有效地缩小问题求解规模和较强的抗干扰能力,是一种有效的变电站故障诊断方法.