基于信息熵属性约简的航空发动机故障诊断

针对不协调信息条件下的航空发动机故障诊断问题,研究了基于信息熵属性约简的故障诊断方法。首先定义了故障诊断信息系统来描述不协调故障样本数据,针对基本粗糙集模型分类能力不足的问题,引入变精度粗糙集模型处理不协调诊断信息系统;然后针对现有条件熵不能区分不确定性规则的缺陷,提出了变精度条件熵作为属性重要度的度量标准,设计了启发式属性约简算法,提取故障诊断规则。将该方法用于航空发动机故障诊断,验证了该方法可有效处理不协调信息,显著提高了航空发动机故障诊断的准确率。     

基于粗糙集理论的航空发动机滑油光谱诊断专家系统知识获取方法研究

针对航空发动机滑油光谱诊断专家系统的知识获取问题,本文建立了基于粗糙集理论的航空发动机滑油光谱诊断专家系统知识获取模型。首先建立反映光谱元素浓度及元浓度梯度与发动机磨损故障之间关系的典型故障样本集;然后运用粗糙集理论的离散、约简及规则提取等算法,从大量的故障样本中自动获取知识规则,并将知识规则存储于专家系统知识库中;最后,建立推理机,运用一定的推理策略实现发动机磨损故障诊断。本文利用航空发动机实测的油样光谱数据对所建立的粗糙集知识获取方法,进行了实例验证。     

基于模糊粗糙集和SVM的航空发动机故障诊断

随着航空产业的发展,航空发动机故障诊断逐渐向智能化、精确化方向发展,针对这一趋势结合模糊聚类、粗糙集以及支持向量机理论,提出了一种航空发动机故障诊断方法。首先,运用模糊C-均值聚类算法将连续数据离散化;然后,运用粗糙集的知识发现理论,在保持决策表的决策属性和条件属性之间的依赖关系不发生变化的前提下对决策表进行约简;最后,利用支持向量机适用于小样本数据处理的特性对样本进行学习得到最优超平面决策函数从而进行故障诊断。对航空发动机性能参数实例的验证结果表明,该方法对航空发动机故障具有较强的诊断能力,在不影响诊断率的基础上大大缩短了运算时间。因此,提出的算法具有较好的实用性和准确性。     

航空发动机诊断知识的动态获取与柔性诊断技术

针对军用航空发动机的状态监测与故障诊断问题，研究了航空发动机的诊断知识动态获取模型及柔性诊断技术。建立了可扩展诊断样本库，实现样本库中故障征兆和故障模式的动态增减，以增加系统的柔性和可扩展性；运用粗糙集理论对样本集进行处理，实现冗余属性的约简、冗余样本的去除及样本冲突的消除；用神经网络通过对处理后的样本集进行学习以动态获取知识，将实际诊断样本输入到训练好的神经网络模型即可得到诊断结果。整个诊断过程具有充分的可扩展性和柔性，当有新样本加入时，按上述步骤进行处理即可实现诊断知识的动态获取和诊断。算例表明了方法的正确性和有效性。     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法

针对航空发动机磨损故障诊断自动化及智能化程度不高的问题,提出一种基于油液数据挖掘的航空发动机磨损故障诊断知识获取方法。该方法利用自组织神经网络对原始多维特征数据进行特征融合,得到融合值;利用Parzen窗法制定融合值的界限值,将样本划分为正常、警告和异常3种状态;利用Weka软件对油液数据进行规则提取。该方法能够从油液光谱数据中识别出不同磨损状态信息,并提取出知识规则用于构建航空发动机磨损诊断系统的知识库,实现了基于润滑油光谱磨损数据的航空发动机故障诊断的自动化与智能化。应用某型飞机发动机实际油液光谱数据对提出的磨损故障诊断知识获取方法进行验证,结果表明:经特征融合得到的融合值能够准确反映航空发动机的劣化趋势;利用融合值的界限值划分样本状态,再进行规则提取时具有很高的识别率。     

基于D-S证据理论的航空发动机磨损故障智能融合诊断方法

油样分析方法目前已成为航空发动机磨损故障诊断的重要手段,但单一油样分析技术的诊断准确率均有限,为了提高故障诊断的精度,本文提出了基于D-S证据理论的发动机磨损故障智能融合诊断方法。首先用BP神经网络实现发动机磨损故障的单项智能诊断,然后,充分利用神经网络诊断结果,用D-S证据理论实现了磨损故障的融合诊断。最后,算例验证了本文方法的有效性。     

基于粗糙遗传BP神经网络的滚动轴承故障诊断

为了提高滚动轴承的故障诊断效率和精度,将粗糙集理论和遗传BP神经网络相结合,提出了一种新的滚动轴承故障诊断方法。首先利用粗糙集理论对故障诊断决策表进行属性约简,以简化BP神经网络的结构及降低计算量。然后利用遗传算法来优化BP神经网络的参数以达到最优泛化能力,从而建立粗糙遗传BP神经网络故障诊断模型。以美国凯斯西储大学的轴承数据为例,通过MATLAB仿真,结果表明该方法不仅可以克服BP神经网络的缺陷、减少遗传寻优迭代次数,还能提高故障诊断精确度。     

粗集—RBF神经网络在故障诊断中的应用

将粗糙集—RBF神经网络的故障诊断方法应用于飞机燃油系统的故障诊断,该方法是把原始数据进行属性约简,得到最小条件属性集后,输入后置RBF神经网络进行信息处理,不但能有效地简化神经网络的结构和规模,也提高了故障诊断效率。     

基于粗糙集神经网络的综合传动故障诊断

针对综合传动装置在道路试验过程中大量采集的油样,建立了油液分析数据库。采用粗糙集理论的信息约简,根据粗糙集理论能处理不精确、不完整、不一致的数据的特点,结合神经网络强大的线性逼近和模式识别的功能,建立了粗糙集神经网络模型。将该模型应用于综合传动装置的模式识别,取得了满意的诊断结果。研究结果为在不完整征兆信息下的机械故障诊断提供了新的方法和思路。     

粗集理论在快速设计中的应用研究

为实现面向客户的产品快速设计，把粗集理论引入到产品的快速设计中。根据客户的模糊要求进行实例匹配，确定产品的方案，并确定计算相似度的权重。利用粗集理论把实例库中实例的设计参数进行了离散和泛化，发掘实例的属性关系和普遍知识，形成简化的决策表，获取产品方案决策的规则。在建立决策表的同时，计算决策属性对条件属性的依赖程度，确定在计算相似度时各属性值的权重。通过某天文圆顶快速设计的算例表明，把粗集理论应用到快速设计中进行方案决策和权重计算，比传统方法客观、简洁，处理速度更快。     

基于粗糙集理论的图像增强方法

粗糙集理论是一种新的处理含糊的不确定性问题的数学工具。本文提出一种基于粗糙集的图像增强新方法,该方法按条件属性,将一幅图像划分为不同的子图,然后对子图分别作对比度增强,增强图像的效果较为理想,满足了工程上的要求。     

Intelligent diagnosis methods for plant machinery

This paper reports several intelligent diagnostic approaches based on artificial neural network and fuzzy algorithm for plant machinery, such as the diagnosis method using the wavelet transform, rough sets, and fuzzy neural network; the diagnosis method based on the sequential inference and fuzzy neural network; the diagnosis approach by the possibility theory and certainty factor model; and the diagnosis method on the basis of the adaptive filtering technique and fuzzy neural network. These intelligent diagnostic methods have been successfully applied to condition diagnosis in different types of practical plant machinery.     

Rolling bearing fault diagnosis based on mean multigranulation decision-theoretic rough set and non-naive Bayesian classifier

To analyze data from multi-level view, reduce computational burden, and improve fault diagnosis accuracy, a novel fault diagnosis method of rolling bearings based on mean multigranulation decision-theoretic rough set (MMG-DTRS) and non-naive Bayesian classifier (NNBC) is proposed in this paper. First, fault diagnosis features of rolling bearings in training samples are extracted to construct MMG-DTRS. Then, the significance degree of condition attribute in MMG-DTRS is defined to quantitatively measure the influence of condition attributes with respect to the decision ability of an information system. An attribute reduction algorithm based on MMG-DTRS is applied to acquire a lower dimensional condition attribute set, which reduces computational complexity and avoids the interference of irrelevant or redundant condition attributes. Finally, NNBC is constructed to classify rolling bearing conditions in test samples. The classification procedures by using NNBC are given. The performance of the proposed method is validated and the advantages are investigated by using a fault diagnosis experiment of rolling bearings. Experimental investigations demonstrate the proposed method is effective and reliable in identifying fault categories and fault severities of rolling bearings.     

Reduction of rough set attribute based on immune clone selection

A novel attribute reduction approach of rough set based on immune clone selection is proposed. In this method, the approximation quality and attribute set were adopted as evolution object and antibody, respectively. On the basis of the inherent distribution within the immune response, the global optimization of the antibody was realized through parallel local optimization. Moreover, the diversity of the antibody population was maintained with the affinity maturation and renewal of the antibody. Thus, the stable multi-optimal solutions can be preserved. In addition, the machinery fault data were analyzed by this method, and the attribute reduction sets were obtained further to satisfy the demand of feature selection in machinery diagnosis. __________ Translated from Journal of Xi’an Jiaotong University, 2005, 39(11) (in Chinese)     

粗糙集属性约简的基因算法

粗糙集是一种新型的数据分析方法,而属性约简是其主要算法,由于属性的约简为ＮＰ问题,使得传统算法很难将粗糙集应用于实际中,利用基因算法的搜索寻优技术,提出一种基于多目标优化基因算法的属性约简算法,它不仅有较高的约简效率,而且可以得到多种约简属性集。以柴油机油路故障为例,进行特征属性的约简,取得了较好的结果。     

MMAS与粗糙集在轴承复合故障诊断中的应用

在分析振动加速度信号的基础上,提出了新的粗糙集属性约简算法,并应用于轴承复合故障诊断.将最大一最小蚂蚁系统(max-min ant system,简称MMAS)引入条件属性约简中,以最坏Fisher准则函数作为启发式信息以提高搜索效率,综合考虑分类正确率和条件属性个数两方面因素,利用粗糙集理论约简故障诊断决策表,有效地提高了轴承故障诊断的效率.     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于信息熵的多值属性系统诊断策略优化方法

诊断策略问题是系统测试和诊断技术中的一个关键问题,并已被证明是NP问题.目前已有的大部分研究都是针对二值属性系统的,而多值属性系统的诊断策略研究较少.针对多值属性系统诊断策略优化问题,研究了多值属性系统的相关性矩阵模型和信息熵理论,根据在故障诊断树的建立过程中应优先选择提供信息量大,测试费用小的测试点的原则,建立了基于信息熵的多值属性系统诊断策略优化方法,给出了具体的计算步骤.实例计算结果和算法分析表明,此方法和最优算法相比,可大大减小计算时间,而且得到期望费用相差较小,可用于复杂多值属性系统的诊断策略设计.     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。