基于粗糙集-遗传神经网络分类器的矿井通风机故障诊断研究

针对当前矿井通风机机械故障诊断所面临的问题,提出了一种粗糙集-遗传神经网络分类器模型和它的构造方法,模型先利用粗糙集理论约简样本决策表属性,然后再利用遗传神经网络进行网络训练。通过与基本BP网络模型的对比,验证了该方法用于故障诊断的有效性。     

基于粗糙集理论的人工神经网络故障诊断系统

以粗糙集理论中的信息系统属性为主要工具 ,将复杂的RBF神经网络分层约简 ,剔除其中不必要的属性 ,构建了优化的粗集 -神经网络模型。通过对实例分析 ,使用该模型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     

基于粗糙集-神经网络系统的采煤机故障诊断研究

针对神经网络在故障诊断中存在着输入属性维数多和数据量庞大的缺点,利用粗糙集理论对原始数据进行约简,并剔除其中不必要的属性,构建了优化的粗糙集-神经网络智能系统。通过对实例分析,使用该系统能够提高采煤机故障诊断的准确性和效率,在故障诊断中有良好的应用前景。     

基于粗糙集理论优化神经网络方法的轴承故障诊断

用于轴承故障诊断方法有多种,如基频检测法、轴心轨迹图和响应信号的功率谱分析法等,但往往难以实现实时监测和诊断。人工神经网络技术由于其具有极强的非线性映射,能在故障诊断中得到广泛应用,但存在联想能力有限,超过界线易以错误的方式联想,决策系统就会产生误判或漏判的现象。提出了使用粗糙集理论优化BP神经网络模型方法,并将优化后的网络模型应用于滚动轴承的故障诊断中。     

基于粗糙集-神经网络系统的采煤机故障诊断

利用粗糙集理论对原始数据进行约简,构建优化的粗糙集—神经网络智能系统。该系统能够提高采煤机故障诊断准确性和效率,有良好的应用前景。     

基于变精度粗糙集的机械故障诊断方法

探讨了基于变精度粗糙集模型的故障诊断规则获取方法,该方法通过相应的变精度属性约简算法,利用变精度属性约简有效地处理带噪声的决策表,提取符合可信度要求的故障诊断规则形成规则集。此方法克服了标准粗糙集模型对数据噪声过于敏感的缺点,增强了数据分析和处理的鲁棒性。     

基于粗糙集理论的机械故障诊断方法研究

机械故障诊断中存在着许多不确定性和知识冗余性,而粗糙集理论是一种新型的处理不确定性信息的数学工具,粗糙集理论提供了对机械故障进行诊断全新的有效途径。将基于可变精度粗糙集模型应用于故障诊断,同时与遗传算法相结合,在保证诊断精度大致不变的情况下对故障征兆属性化简,消除诊断规则判断条件的冗余,获取精简的规则。实例证明了基于粗糙集理论的机械故障诊断方法的可行性。     

基于粗糙集-RBF神经网络的采煤机截割部传动系统故障诊断

采煤机截割部传动系统故障源多,建立快速准确识别故障源的模型具有重要研究意义,因此提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法。首先对传动系统常见故障进行汇总分析,归纳为齿轮故障与轴承故障,通过粗糙集理论完成属性约简后得到最小条件属性集,然后根据粗糙集的最小条件属性集搭建RBF神经网络的拓扑结构。仿真结果表明,基于粗糙集-RBF神经网络的故障诊断模型结构更简单,训练效率及诊断准确性更高,在故障诊断中具有更好的应用效果。     

基于粗糙集-RBF神经网络的采煤机液压泵故障诊断

针对采煤机液压泵故障征兆多、故障诊断模糊性强的特点,提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法,对液压泵内泄漏故障进行诊断。运用粗糙集理论对液压泵原始故障数据集进行属性约简,去除输入冗余信息,得到最小条件属性集。根据最小条件属性集确定RBF神经网络初始拓扑结构,通过网络训练建立故障征兆和故障类别的映射关系,使用Python编程语言实现了故障诊断。试验对比表明,该方法网络结构更加简单,网络学习效率及诊断准确性更高,在采煤机液压泵中有很好的实际应用效果。     

基于数据挖掘技术的液压泵的故障诊断研究

液压泵是液压系统的核心,液压泵发生故障将影响整个液压系统的工作性能,因此,将数据挖掘技术应用于液压泵的故障诊断之中。首先,分析了数据挖掘的理论模型,分别讨论了数据清洗、数据标准化、数据的离散化以及模糊粗糙集的数据挖掘方法;其次,构建了基于模糊粗糙集数据挖掘的液压泵故障诊断模型;最后,进行了液压泵故障诊断仿真研究,仿真结果表明该数据挖掘技术具有较高的故障诊断准确率。     

粗糙集BP神经网络在高校贫困生认定中的应用

研究高校贫困生的认定问题,构建了基于粗糙集的BP神经网络模型。该模型首先应用基于Pawlak属性重要度的属性约简算法得到认定学生贫困的重要属性,降低决策表的维数,然后将降维后的数据送入BP神经网络进行学习和训练,最后采用训练好的的网络对测试样本进行检验。     

数据挖掘技术在优化与机械设备故障诊断中的应用

数据挖掘是数据库中知识发现过程的一个重要步骤。利用数据挖掘中的粗糙集理论、人工神经网络技术、决策树方法和遗传算法,可以建立有效的工业优化模型和机械设备的故障诊断模型,具有较强的实用价值。     

岩层移动角预测的粗糙集-BP神经网络模型

岩层移动角是金属矿山开采表征地表移动规律的重要参数之一。为克服理论计算法和数值分析法在力学模型匹配、参数选择、边界条件设置等方面存在的问题并改进岩层移动角预测方法,首先在分析BP神经网络、粗糙集基本原理的基础上,将两者进行有机结合,构建了粗糙集-BP神经网络模型,该模型将粗糙集作为前端处理器对具有模糊性、不确定性和不完整性的信息进行预处理,将BP神经网络作为核心建立输入、输出间的映射关系;然后通过对34组实测岩层移动样本数据进行学习训练和测试,构建了包含下盘岩性、上盘岩石普氏系数、矿体倾角、矿体厚度、开采深度、采矿方法等6个因素的粗糙集-BP神经网络岩层移动角预测模型,并对永平铜矿露天转地下开采岩层移动角进行了预测。结果表明:该矿山总体岩层移动角的预测值分别为上盘62°,下盘68°,走向73°,预测结果与工程类比法、数值模拟法等传统方法接近。所提方法由于可科学选择变量、简化网络结构以及具有提高容错抗干扰和分类的能力,相对于传统预测方法而言,具有一定的优势,有助于提高矿山开采岩层移动角的预测精度。     

基于粗糙集的钢丝绳断丝损伤定量识别

引入粗糙集理论对钢丝绳断丝损伤信号原始特征值数据进行属性约简,去掉不必要的属性,并将粗糙集与神经网络有机结合,构造了优化的神经网络结构,进而识别钢丝绳的断丝损伤。试验表明,该方法有效提高了神经网络的性能及钢丝绳断丝损伤定量识别的速度和准确性。     

基于RS与FNN的通风系统评价模型

为了解决现有各种不同通风系统评价方法因素较多,而且具有这些因素又具有模糊性,利用传统的评价方法很难对通风系统进行准确地评价的难题,本文建立了基于粗集与模糊神经网络的通风系统评价模型,不仅可以完成多层次多因素系统评价,还具有自学习功能.通过对模型的验证分析,表明该模型具有较高的精度,总误差仅为0.037,可以将其应用到现场安全评价中.     

用于钢丝绳断丝定量识别的神经网络模型参数优化

建立了钢丝绳断丝定量识别的BP神经网络模型,重点从网络输入特征值的分析与优化、网络训练集与测试集的合理选择、网络训练目标的确定3个方面讨论了优化神经网络参数与性能的方法。经实际网络的训练及测试,证明了合理参数的选择改进了网络性能,提高了钢丝绳断丝定量识别的精度,具有实际工程意义。