一种煤矿带式输送机故障诊断方法

针对煤矿带式输送机故障种类繁多且各征兆存在交叉,严重影响故障诊断的时效性和可靠性的问题,提出了一种煤矿带式输送机故障诊断方法。该方法采用粗糙集与神经网络相结合的故障诊断技术,通过粗糙集属性约简算法优化输入的故障征兆集,得到最优约简集;将约简后的最小条件属性集输入BP神经网络进行合理训练,经过不断学习优化,最终得到诊断决策规则;将约简的相应测试征兆属性样本输入训练好的网络进行故障诊断,判别出相应故障。仿真结果表明,该方法能够充分删除冗余信息,加快网络训练速度,提高带式输送机故障诊断精度。     

基于支持向量机的矿井通风机故障诊断系统的研究

针对矿井通风机故障诊断过程中样本数据有限的特点,本文提出了一种基于支持向量机的矿井通风机故障诊断方法。支持向量机是一种机器学习方法,它对有限的样本数据具有良好的学习能力。采用支持向量机对样本数据通过学习形成故障分类器,利用该分类器对故障样本进行测试,得出矿井通风机的故障诊断结果。结果表明：支持向量机对有限样本数据具有良好的推广能力,最终达到了快速并准确地诊断矿井通风机故障的目的。     

基于多传感器信息融合技术的矿井主通风机故障诊断模型的建立

文章根据矿井主通风机的故障类型特征,分析了矿井主通风机故障仅靠单一信息检测进行故障诊断难免出现故障漏诊的原因,提出了基于多传感器信息融合的矿井主通风机故障诊断模型。     

基于粗糙集神经网络的旋转机械故障诊断

针对旋转机械故障和故障征兆关系的复杂性及神经网络在故障诊断中存在网络结构复杂和训练时间长等问题,提出了一种基于粗糙集与神经网络结合的故障诊断方法;采用自组织映射方法对属性进行离散化,设计了一种自适应遗传算法对属性进行约简,将获得的最小条件属性集作为神经网络的输入;以轴承的故障诊断为例进行分析,结果表明,该方法在保证诊断正确率的同时,可以有效简化神经网络的结构,降低网络的训练时间;另外,设计的自适应约简算法在保证获得最小约简的基础上,大大加快了收敛速度;该方法可推广应用在其它机械设备的故障中。     

基于Vague集相似度量的矿井通风机故障诊断方法的研究

针对矿井通风机故障特征与故障类别之间关系的复杂性和不确定性,文章提出了一种基于Vague集相似度量的矿井通风机故障诊断方法,将故障类型与故障特征向量之间的关系以及采样得到的故障特征向量用Vague集表示,通过计算并比较故障知识Vague集与故障样本Vague集之间的相似度量得到故障诊断结果。应用实例表明,应用该诊断方法对矿井通风机进行故障诊断的结果与实际情况相符,具有一定的合理性。     

基于SOM-VPRS的平衡机故障诊断

针对平衡机故障的特点,采集了振动信号进行故障诊断;设计了故障信息采集系统,解决了故障信息提取困难的问题,减少了噪声信号;融合自组织(SOM)网络和变精度粗糙集(VPRS)形成了SOM-VPRS算法,实现了平衡机的故障诊断。运用SOM网络进行了连续属性的离散化,采用变精度粗糙集的近似依赖模型进行属性约简,得到故障诊断决策规则,属性约简后,属性集由20个减少为7个,规则集由70个减少为34个,计算复杂度降低;对决策规则进行了验证,诊断正确率可以达到95%以上,且模型和算法具有普遍适用性。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

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.     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

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.     

基于信度区间的故障特征约简方法

多源信息融合故障诊断方法可以有效提高设备故障的确诊率,但同时需要使用由不同传感器获取的多种故障特征数据.此时若将所有特征的数据用于诊断,则计算量过大,诊断的实时性差.对此,将证据理论与粗糙集相结合,提出基于信度区间的属性约简定理及相应的故障特征(属性)约简方法,力图利用约简后的重要特征进行快速诊断.利用随机模糊变量和K均值对特征数据进行离散化处理,通过压缩二进制矩阵获取核属性,再将属性的信度区间大小作为迭代约简过程中属性的选取标准,向核属性中添加重要属性,最终获得属性约简结果.最后进行电机转子的特征融合诊断实验,通过与经典的粗糙集简约方法对比验证所提出方法的有效性.     

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。     

基于RS-CSA-ELM的WSN节点故障诊断

为及时发现WSN节点故障隐患,准确掌握WSN运行状态,本文利用粗糙集理论属性约简算法(简称RS)对WSN节点故障属性进行约简,以最优的故障属性决策表重构训练样本数据集,作为极限学习机(Extreme Learning Machine, ELM)神经网络的输入,建立一个数据驱动的WSN节点故障断模型.采用乌鸦搜索算法(Crow Search Algorithm, CSA)优化ELM神经网络的输入权值和隐含层阀值,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.通过对RS-GA-ELM模型进行仿真分析.结果表明, RS-GA-ELM模型能够在可靠性不同的数据集中,保持较高的故障诊断效率,符合WSN节点故障诊断的需求.     

粗糙集理论在滚动轴承故障诊断中的应用

粗糙集是一种软计算方法,它不需要任何先验知识和理论推导,仅依赖于原始数据,从数据中发现潜在规律和隐含规则,其核心任务是数据约简,得到最简决策规则。文章基于粗糙集理论的可辨识矩阵算法,对滚动轴承故障信息表进行属性约简和属性值约简,得到了精简的诊断规则,从而方便了信息的机器处理,也为基于规则的滚动轴承智能故障诊断系统提供了一种更为简单的知识库自动构造方法。     

基于遗传算法和模糊粗糙集的知识约简

虽然粗糙集理论为处理离散属性提供了很好的工具,但它不能直接运用于具有连续变量的数据上面,而现实中的数据又包含着大量的连续变量.为了能够对连续属性集进行有效的知识约简,充分利用遗传算法的全局优化和并行计算的优点,结合模糊粗糙集的理论,对连续属性集进行知识约简,较粗糙集而言避开了连续属性的离散化过程,减少了信息损失,加快了约简速度,提高了决策支持度.首先利用一个仿真实例来验证该算法的有效性和快速性,然后把它运用于某一柴油机的故障数据集的约简,通过约简获得了影响输出故障模式的主要输入变量集,实现了数据的预处理,为进行柴油机的故障模式诊断提供了先决条件.     

基于信息熵的粗糙集属性应急数据去重挖掘算法研究

粗糙集属性应急数据存在冗余特征,降低挖掘效率,提出基于信息熵的粗糙集属性应急数据去重挖掘算法.将粗糙集理论和信息熵相结合,离散化处理应急数据,离散化完成后,约简对于决策表的条件信息熵大小不产生任何影响的属性,设定决策属性集合和条件属性集合,选取将同约简属性集合B的属性组合数目最小的熵值实现约简,去除冗余特征,完成应急数据去重挖掘.以大型船舶应急数据为研究对象展开数据去重挖掘,结果表明:可有效去重挖掘到船舶旋回性相关应急数据,利用数据增比特征能够分析到各因素对船舶旋回性的影响,并且所研究算法的挖掘效率较高,在数据量为1400条时,耗时仅为0.33 s.