基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能，提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器，可将冗余属性从诊断决策表中删除，而不损失有效信息，然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度，但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类，结果表明该方法可快速正确的从数据获得故障类剐。     

一种基于粗糙约简的分形几何容错故障诊断方法

针对故障诊断中计算量大，模式分类复杂的问题，提出了一种基于粗糙集的分形容错故障诊断方法。首先对可能的诊断属性用粗糙集约简的方法进行故障特征提取；然后计算所采集的故障数据的分形维数，并用回归辨识方法得到维数序列的数学模型；利用所建立的数学模型可完成对故障的分类和故障程度的辨识。仿真结果表明了该方法的有效性。该方法解决了单独利用分形几何方法无法对故障程度进行辨识的问题，简化了计算，并为高可靠性设备的故障诊断提供了新的思路。     

基于粗糙集优化的信息融合故障诊断系统

针对现有的故障诊断技术在应用于电力变压器故障诊断中,存在的冗余信息过多、诊断结果不准确等不足之处,将粗糙集理论与信息融合技术相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再采用证据理论方法对预处理信息进行融合,进而进行故障模式的分类,可简化故障诊断网络规模,且相比于单一的信息融合的诊断方法,能够更快速、更精确地诊断出变压器故障类型。其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

基于多小波熵灰色理论的故障诊断应用研究

为了有效地对其进行故障诊断,提出了一种基于多小波熵特征提取与灰色理论相结合的故障分类方法,小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取电流信号故障特征,但由于设备故障的不确定性和多样性,依靠单一的小波熵测度诊断故障可能出现诊断困难或诊断失真等问题,对多种小波熵进行了特征提取,并结合灰色理论进行故障关联,以飞机液压试验台上采集的压力信号进行故障分类,试验结果表明该方法能提高对故障诊断结果的支持度及故障诊断的准确性和实时性,为设备故障诊断提供了一种可行的新方法。     

基于R-NN的可控硅励磁系统故障诊断

基于同步发电机可控硅励磁系统经常发生故障,提出一种基于粗糙集—神经网络(Roughset-NeuralNetwork)相结合的故障诊断方法。以励磁系统中三相桥式可控硅整流回路为核心进行故障诊断研究,对整流回路故障波形的采样数据样本信息进行预处理,通过运用粗糙集理论的知识约简方法形成故障诊断的确定性规则,从而实现故障分类;然后将其结果与故障信息中的输出样本值作为神经网络的输入,实现故障元的定位。通过计算机仿真,结果表明:该方法对三相桥式可控硅整流回路故障诊断简便准确,诊断速度快。     

应用粗糙集提取柴油机故障数据特征

根据柴油机故障数据的特点,采用粗糙集理论对其进行特征提取研究。由于实际测量的参数大多为连续数据,而粗糙集只能处理离散数据,提出了一种适用于粗糙集的SOM网络离散化方法;给出一种基于简化差别矩阵的快速属性约简算法;以6135D型柴油机故障诊断数据为例进行特征提取,成功地将原始8个属性约简为3个,为后续研究工作打下了基础。     

基于模糊粗糙集和支持向量机的化工过程故障诊断

为解决化工过程故障不易诊断的问题,提出一种基于模糊粗糙集特征提取和支持向量机的故障诊断方法。首先,利用模糊粗糙集对特征信息进行提取,构筑相应的故障特征集合;然后,将故障特征集合对应的样本输入到支持向量机分类器,实现对化工过程不同故障的识别。在TEP故障诊断中的应用表明了所提出方法的有效性。     

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.     

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.     

基于支持向量机与粗糙集的隔爆电动机故障诊断

针对煤矿井下隔爆电动机故障数据获取难且故障数据杂乱、非线性等问题,提出了一种基于支持向量机与粗糙集的隔爆电动机故障诊断方法。该方法采用小波包对隔爆电动机定子瞬时功率进行频谱分析,并提取故障特征量;利用粗糙集的约简特性消除故障特征量冗余数据,将约简后的故障特征量作为支持向量机的输入样本,实现隔爆电动机转子故障诊断和分类。仿真结果表明,该方法故障诊断结果准确率达到92.857 1%。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

基于信息熵的粗糙集属性离散化方法及应用

首先分析了粗糙集理论处理问题的特殊性,在现有研究结果的基础之上给出了一种新的连续属性离散化方法,并将其应用于故障诊断中,通过实验结果表明依据该算法构建的决策规则具有较好的故障诊断分类效果。     

基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

A Universal neighbourhood rough sets model for knowledge discovering from incomplete heterogeneous data

Neighbourhood rough set theory has proven already, as an efficient tool for knowledge discovering from heterogeneous data. However, some types of the data are incomplete and noisy in practical environments, such as signal analysis, fault diagnosis etc. To solve this problem, a universal neighbourhood rough sets model (variable precision tolerance neighbourhood rough sets [VPTNRS] model) is proposed based on a tolerance neighbourhood relation and the probabilistic theory. The proposed model can be inducing a family of much more comprehensive information granules to characterize arbitrary concepts in complex universe. In this paper, we discussed the properties of the model as well as some important relevant theorems are also introduced and proved. Furthermore, a heuristic heterogeneous feature selection algorithm is given based on the model. The experimental results with 10 choices University of California Irvine (UCI) standard data sets showed that the universal model performed well both in feature selection and classification, especially in incomplete environment.     

基于粗糙集和神经网络的柱塞泵故障诊断

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于粗糙集与神经网络相结合的故障诊断方法,并详细阐述了基于粗糙集与神经网络的轴向柱塞泵故障诊断系统的设计步骤和实现技术。实验结果表明,该方法不仅能优化神经网络的拓扑结构,同时能有效提高轴向柱塞泵故障诊断的精度和效率。     

基于时间序列的电力系统故障诊断规则挖掘

介绍了利用Rough集理论进行数据挖掘技术在电力系统故障诊断中的应用。针对电力系统中与时间序列相关的数据集,提出了基于Rough集的时间序列相关的分类规则挖掘算法。利用该算法得到的分类规则,可以较好地反映条件属性集随时间动态变化对系统状态的影响。     

一种基于邻域粗糙集的多标记专属特征选择方法

在多标记学习中,数据降维是一项重要且具有挑战性的任务,而特征选择又是一种高效的数据降维技术。在邻域粗糙集理论的基础上提出一种多标记专属特征选择方法,该方法从理论上确保了所得到的专属特征与相应标记具有较强的相关性,进而改善了约简效果。首先,该方法运用粗糙集理论的约简算法来减少冗余属性,在保持分类能力不变的情况下获得标记的专属特征;然后,在邻域精确度和邻域粗糙度概念的基础上,重新定义了基于邻域粗糙集的依赖度与重要度的计算方法,探讨了该模型的相关性质;最后,构建了一种基于邻域粗糙集的多标记专属特征选择模型,实现了多标记分类任务的特征选择算法。在多个公开的数据集上进行仿真实验,结果表明了该算法是有效的。