基于粗糙集理论的内燃机气阀故障诊断研究

在内燃机神经网络故障诊断系统的基础上 ,引入粗糙集理论 ,对其在内燃机故障诊断特征参数属性优化中的运用进行了探索。利用可辨识矩阵算法对决策表进行属性约简 ,剔除其中不必要的属性 ,揭示了故障诊断条件属性内在的冗余性 ,降低了神经网络构成的复杂性。最后给出了属性约简的结果。     

基于粗糙集理论的汽轮机组回热系统故障诊断模型

在分析了汽轮机组回热系统现有故障诊断方法无法解决冗余征兆的不足之后,提出了一种基于粗糙集理论的故障诊断模型。该模型从回热系统典型故障模式出发,通过连续征兆属性的离散化建立了故障诊断决策表;利用遗传算法实现了故障征兆属性约简,并提出了结合领域知识的最小约简择优策略,然后通过给出的决策规则约简的基本原则,得到用于故障诊断的决策规则库。在应用该模型进行故障诊断时,用待诊实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则进行综合评价,并得出诊断结论。利用电站仿真机模拟典型故障进行了故障诊断模型的验证,实践表明,该模型可以有效地约简冗余的故障征兆,并具有较好的诊断效果和一定的容错能力。     

基于粗糙集理论的柴油机神经网络故障诊断研究

介绍了粗糙集理论的核心内容 ,给出了基于 kohonen神经网络的连续属性值离散化方法。应用粗糙集理论对反映柴油机运行工况的特征参数进行了属性简化 ,剔除了不必要的属性。研究了 RBF神经网络故障诊断模型及学习规则 ,给出了基于粗糙集理论的 RBF神经网络故障诊断原理和步骤。通过对柴油机供油系统柱塞磨损故障的自动分类和诊断 ,表明该系统能有效地减少神经网络的输入节点数 ,克服了神经网络规模过于庞大及分类识别速度慢等缺点。     

基于PSO-GRNN和D-S证据理论的电网分区故障诊断

针对大电网中保护和断路器误动、拒动、信息丢失等不确定的电网故障信息以及现有电网分区方法的不足,提出了基于粒子群优化广义回归神经网络（PSO-GRNN）和D-S证据理论的电网分区故障诊断方法。首先,通过改进图形分割法将大电网划分为相互重叠的不同区域,降低故障诊断难度。然后在各个区域建立PSOGRNN诊断模块,根据故障警报信息,并行完成各自的故障诊断任务。最后,采用D-S证据理论对相邻区域的重叠区域进行分析,以实现对重叠区域的综合故障诊断。仿真结果表明,该方法能有效识别非重叠区域和重叠区域的故障,容错能力强,诊断准确率高。     

基于粗糙集与证据理论的凝汽器故障诊断研究

针对凝汽器故障诊断问题,提出了一种基于粗糙集和证据理论相结合的故障诊断方法。利用粗糙集相对约简的不唯一性,对凝汽器故障征兆进行分类,形成不同的证据来源,既实现了证据理论对于同一事物要求有不同的证据来源的要求,又对故障征兆参数进行了降维处理,减小了网络的规模,有效缓解了由于输入参数过多给网络带来的收敛困难问题。该诊断方法将粗糙集、神经网络和证据理论有机地结合在一起,使三者优势互补,充分利用了凝汽器故障征兆的冗余、互补信息。实例证明,基于多故障诊断网络信息融合的诊断识别准确性和可靠性比基于单一故障诊断网络的诊断识别有较大的提高。     

基于证据理论与粗糙集集成推理策略的内燃机故障诊断

证据理论是处理不确定性问题的有效工具,但其依赖专家知识提供证据,并要求各证据体相互独立,致使实际应用困难。针对此问题,提出了证据理论与粗糙集(Rough Sets)集成的方案:基于系统聚类的方法对特征数据离散化;基于变精度粗糙集条件熵的方法对决策表约简;约简后各条件属性作为证据并计算基本可信度分配;利用证据理论组合规则对各证据进行合成及决策。柴油机的实际诊断结果验证了将证据理论与粗糙集相结合进行故障诊断的良好效果。     

基于DHNN指纹库的电网故障诊断方法

针对高维度、非线性的电力系统存在难以实现快速、精准和有效的故障诊断问题,提出了基于DHNN指纹库的电网故障诊断方法.首先利用离散Hopfield神经网络(DHNN)算法对电网遥信数据分类和建立各种基准信号权值,构建了基准信号集合的信号模板;其次基于该模板建立各类故障指纹值编码及其编码组合为一体的指纹库;最后以瀑布沟水电...     

基于粗糙集约简的信息融合故障诊断研究

提出一种基于粗糙集约简的神经网络信息融合故障诊断方案。该方案利用粗糙集理论对诊断决策表进行属性约简，根据约简构造诊断子神经网络群，采用信息融合的方法处理神经网络输出结果。该方案能够缓解神经网络诊断中网络学习收敛问题，并且可有效利用决策表的冗余信息，在个别征兆信号受到干扰或发生错误时仍能正确诊断，使诊断方案具有较强的健壮性。     

基于DTW技术的电站故障诊断

传统的基于Euclidean距离的相似搜索无法处理电站DAS信号之间存在相位差的问题。基于DTW距离的相似搜索可有效地解决上述问题,提高DAS序列数据的分类精度。通过两个实际应用案例,验证了DTW技术在电站故障诊断中的有效性。     

基于粗糙集理论的旋转机械故障诊断方法

粗糙集理论是一种新的数据分析和处理方法，使用粗糙集理论可以对决策表进行简化，去除冗余属性。该文针对旋转机械故障诊断问题，计算旋转机械振动故障数据库中的频域征兆，使用粗糙集理论对其进行约简，根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。结果表明：使用粗糙集理论可以在保留分类能力不变的前提下，去掉诊断中的不重要的要素，保留重要的要素，从而可以简化对诊断信息的需求。对故障样例的诊断结果也表明：得到的规则基本上是可信的。表5参8     

基于Rough Set理论的典型振动故障诊断

在分析旋转机械振动特点和Rough Set理论的基础上,针对传统的频谱分析方法对质量不平衡、动静碰摩、支座松动等3种典型故障识别效率低的缺点,提出了一个基于Rough Set的振动故障诊断模型.该模型根据故障和能量的映射关系,分别在时域、频域、时一频域中定义4种信息熵作为条件属性,推导了3种典型振动的决策规则,实现了对振动信号中不一致信息的处理.通过汽轮发电机组振动实验对上述方法进行了验证.结果表明,该模型能够很好地识别这3种典型故障.     

基于电网故障拓扑分析及多数据综合的复杂故障诊断方法

针对由于断路器失灵造成的电网连锁故障,调度人员难以在短时间内详细分析故障原因、过程的问题,提出一种利用电网拓扑和多数据源综合分析的复杂故障诊断方法。即通过电网拓扑中断路器开合状态确定邻接矩阵,形成故障后电网的拓扑连接关系,对故障电网拓扑图的停电区域搜索,确定连锁故障的诊断类型,并详细分析故障录波数据,诊断出断路器失灵造成的连锁故障的原因。算例分析表明,该方案能有效诊断复杂故障,具有较好的应用前景。     

基于灰色粗糙集理论的风电机组传动链智能故障诊断方法

风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。风电机组传动链系统的故障种类繁多,原因复杂,其故障征兆、故障原因和故障机理之间存在着极大的不确定性。文中在其故障诊断过程中,首先利用粗糙集原理对其特征参数进行约简,去除冗余参数,再利用粗糙集理论定量确定各特征参数的重要程度;根据约简的特征参数和各参数的重要程度,利用灰色关联度分析方法确定标准故障状态与目前机组状态的关联度,从而找到其故障之处。实例计算表明：在风电机组的故障诊断中将灰色系统理论和粗糙集理论结合是一种有效的方法,为其今后开展智能故障诊断提供了理论基础。     

采用模糊集合论事故树法的变压器故障分析

应用基于模糊理论的模糊事故树分析方法对变压器进行故障分析,将故障率转换为模糊数故障率,并应用专家评分法对无统计资料的故障进行概率估计.阐述了转换成模糊数的途径,给出了该方法的一个应用实例.结果表明,采用模糊事故树分析方法具有很好的灵活性和适应性,应用于变压器故障分析和故障预防中具有很强的工程实用价值.     

基于改进Petri网与希尔伯特黄变换融合的电网故障诊断

为了提高电网故障诊断结果的准确性,提出了基于改进Petri网与希尔伯特黄变换融合的电网故障诊断方法。首先在已有基于开关量的Petri网模型上做了简化与改进,改进模型同时考虑了主保护、后备保护和失灵保护的影响,可充分模拟实际故障中各个保护的优先级别,并引入分步诊断的概念简化了模型推导的复杂程度;然后通过希尔伯特黄变换来分析已获取的可疑故障设备的相关电气量,同时定义并计算得幅值故障度、频率故障度和能量故障度三个故障测度指标;最后在D-S证据理论的基础上融合三个故障测度获取故障元件。算例结果表明,该方法可改善故障诊断的准确度。     

粗集理论在水力机械故障诊断中的应用潜力分析

粗集理论是一种处理模糊性和不精确问题的新型数学工具,为分析和处理不完备信息提供了有力的分析手段。文中对近年来粗集理论在机械故障诊断应用方面作了介绍及评述,并将此方法推广到水力机械故障诊断方面,重点阐述了粗集理论与常见的数据挖掘、人工神经网络、支持向量机等软计算方法的融合,这将为解决水力机械故障诊断中的难题提供一种新的思路和方法。