提升机制动器故障诊断规则知识融合获取方法

针对矿井提升机故障诊断处理数据不完备、获取规则知识困难的问题,提出了改进的粗糙集和MATLAB的故障诊断规则知识融合获取方法。该方法首先利用MATLAB将原始数据从数据库中提取出来,并对原始数据进行处理后建立决策表;然后根据改进的差别矩阵计算出决策表的核属性;接着通过属性重要度的计算,对条件属性进行计算排序,将排序结果输入到MATLAB软件中,在MATLAB中对决策表进行约简;最后通过对MATLAB得出的结果和改进的差别矩阵计算出的结果进行判断得出知识约简集,从而获得故障诊断规则并储存更新到知识库中。试验表明,该方法解决矿井提升机故障诊断处理数据不完备、规则知识获取困难的问题。     

量化特征关系用于不完备故障诊断的知识获取方法

为了从包含多种未知属性值的不完备故障诊断信息中获取决策规则,提出一种量化特征关系用于不完备故障诊断的知识获取方法。首先,结合不完备故障诊断信息产生的原因,确定未知属性值的类型;然后,利用量化特征关系对不完备故障诊断信息进行分析;最后,利用量化特征关系下属性约简算法获取故障诊断决策规则。结合故障齿轮箱的诊断实例验证了该方法的有效性,结果表明此方法可以从包含三种未知属性值的不完备故障诊断决策表中直接获取准确的故障诊断决策规则。     

不完备信息的概念格诊断规则提取方法

针对航空装备诊断知识获取困难的问题,研究了不完备信息条件下基于概念格的诊断规则提取方法。首先,用不完备诊断形式背景将残缺的故障数据表示成三值表格,借助近似概念格分析故障数据,设计了基于对象的增量式近似概念格构造算法,利用Hasse图直观揭示诊断结果与测试参数之间的依赖关系;然后,引入广义可辨识矩阵对不完备诊断形式背景进行属性约简,通过布尔运算将广义决策辨识函数变换为极小析取范式,得到约简的测试参数集,进而构造约简的近似概念格并生成最优近似诊断规则集,用于对新的测试样本进行故障诊断;最后,将该方法用于某型航空雷达的故障诊断,诊断准确率达到77.7%,验证了该方法从不完备故障数据中提取诊断知识的有效性。     

粗糙集规则获取在旋转注水机组故障诊断中的应用

粗糙集理论能够有效地处理不精确、不完整的数据和知识,并从中发现隐含知识,提示潜在规律。提出一种基于粗糙集理论的大型旋转机械故障诊断和知识获取模型。该模型从包含冗余和不一致信息的原始数据出发, 构建决策表,通过属性约简和基于分明矩阵的属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库。基于该模型以某旋转注水机组故障分析为例,从来自实际的经验数据获取旋转注水机组转子故障诊断的规则知识,其属性约简率可达25％,并能有效解决旋转注水机组故障诊断中规则获取的知识冗余或缺失问题,验证了其有效性。     

不完备信息的航空电子装备诊断规则提取方法

针对不完备信息引发的不确定性给航空电子装备的诊断规则提取带来的挑战,分别从广义狭义两个角度对故障诊断决策系统的不完备性进行定义,设计了一致性优先的相似度及属性值期望最大的缺失信息补齐算法,解决间接补齐算法存在不一致性问题;构建征兆属性概念格及诊断决策属性概念格,生成不完备诊断决策信息系统的扩充辨识矩阵,引入征兆属性概念等价关系计算最大一致征兆概念集,求解最大一致征兆概念辨识函数的析取范式获取最优约简属性集,根据约简后的诊断决策信息系统获取诊断规则。以某型航空装备的武器系统发射系统为例对方法验证,诊断结果准确率达到83.3%,高于现有典型方法,该方法在不完备信息处理、精确度及对象描述的直观简洁性方面具有显著优势。     

不完备信息的航空电子装备诊断规则提取方法

针对不完备信息引发的不确定性给航空电子装备的诊断规则提取带来的挑战,分别从广义狭义两个角度对故障诊断决策系统的不完备性进行定义,设计了一致性优先的相似度及属性值期望最大的缺失信息补齐算法,解决间接补齐算法存在不一致性问题;构建征兆属性概念格及诊断决策属性概念格,生成不完备诊断决策信息系统的扩充辨识矩阵,引入征兆属性概念等价关系计算最大一致征兆概念集,求解最大一致征兆概念辨识函数的析取范式获取最优约简属性集,根据约简后的诊断决策信息系统获取诊断规则。以某型航空装备的武器系统发射系统为例对方法验证,诊断结果准确率达到83.3%,高于现有典型方法,该方法在不完备信息处理、精确度及对象描述的直观简洁性方面具有显著优势。     

基于改进决策树算法的设备故障智能诊断模型

提出一种改进决策树智能故障诊断方法.首先构建故障诊断原始决策表,然后对特征数据进行离散化处理;接着利用可辨识矩阵约简算法对决策表进行属性约简;最后利用 G45 算法构造出最优诊断决策树;并对实例进行故障诊断.结果表明:该方法能有效地删除冗余信息,形成精简的决策规则库,提高故障识别速度,具有很强的工程实用性.     

基于粗糙集理论的变压器故障诊断专家系统研究

在传统的变压器故障诊断专家系统的基础上 ,引入粗糙集理论以解决专家系统较难获取完备知识的瓶颈问题。该系统从历史故障数据所形成的决策表出发 ,运用粗糙集理论进行约简 ,构建专家系统知识库模型。通过计算规则隶属粗糙度 ,来表示诊断规则的置信程度。利用推理机和故障事例库 ,实现对知识库的动态维护。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性     

基于MEPA-RST-NBNC的复杂设备智能故障诊断方法研究

结合最小熵原理法(MEPA)的数据离散功能,粗糙集理论(RST)的数据分析和容错能力,以及朴素贝叶斯网络分类器(NBNC)的并行推理能力,采用串行集成思想,提出了一种基于MEPA-RST-NBNC的复杂设备智能故障诊断方法.首先利用MEPA实现连续条件属性的离散化,形成离散化诊断决策表;然后利用RST分辨矩阵实现故障特征的简化,并采用最大聚类比原则提取出最佳约简;最后根据约简诊断决策表建立NBNC模型来实现高效快速的诊断推理.故障诊断实例表明该方法不仅克服了RST诊断法的规则搜索和临界误判问题,而且避免了NBNC诊断法的维数灾难问题,具有较强的工程实用性.     

一种基于差别矩阵的决策表规则提取算法

从属性约简后的数据集中提取规则实质上就是决策规则的约简计算,一般利用启发信息进行约简计算。提出了一种新的基于差别矩阵的决策表规则提取算法,首先从差别矩阵得到差别集,结合置信度要求得到候选规则集,然后开始提取规则并逐步调整候选规则集,最终提取出决策规则。该算法避免了规则提取过程中条件属性挑选和扩展的计算,并能够快速提取出决策表中存在的最简决策规则,计算实例表明其具有决策规则提取的工程实用性。     

一种新的基于区分矩阵的值约简算法

在对基于区分矩阵的值约简算法进行了分析发现,这些算法在区分矩阵构造时或数据处理时,忽略了对于同在一个决策属性类对象集包含的信息,BDMVR正是利用了这些被忽略的信息,构造出新的启发信息用于指导值约简算法。新算法更充分地利用了区分矩阵中包含的信息,且与对象和条件属性顺序无关,都能得到相同规则。通过算例分析和在5个数据集上的比对实验证明了算法的有效性。     

基于粗糙集理论的装载机故障诊断研究

采用粗糙集理论来进行装载机故障知识的获取，给出了装载机诊断推理的策略和流程。该方法提高了诊断系统的容错性，为在不完备信息下的装载机故障诊断提供了一种新的思路。实例诊断结果证明了该方法的有效性。     

基于粗糙集属性约简和贝叶斯分类器的故障诊断

利用改进的小波包对收集的信号进行特征提取,解决了小波包分解的频率混叠问题;针对故障信息中的冗余属性问题,提出了基于类差别矩阵改进属性重要度的属性约简算法,根据各条件属性在类差别矩阵中出现1的频次定义新的属性重要度,提高属性约简的效率;通过考虑条件属性与类属性间的关联性,提出了基于熵权法的属性加权朴素贝叶斯分类器算法,提高故障分类精度。通过对滚动轴承故障数据的对比分析,验证了所提组合方法在提高故障诊断正确率、快速性方面所具有的优势。     

Fault diagnosis based on Walsh transform and rough sets

An accurate and fast method for fault diagnosis is an important issue most techniques have sought to. For this reason, a fast fault diagnosis method based on Walsh transform and rough sets is proposed in this paper. Firstly, fault signals are fast transformed by Walsh matrix, and the Walsh spectrums are obtained, whose statistical characteristics constitute feature vectors. Secondly, the feature vectors are discretized and reduced by the rough sets theory, as a result, key features are retained and diagnosis rules are provided. Finally, utilized these diagnosis rules, fault diagnosis is carried out experimentally in the spectrum domain and its performance is compared with that of other methods, the higher accuracy is achieved and much time is saved, which fully validates the effectiveness of our approach.     

Rough set based rule learning and fuzzy classification of wavelet features for fault diagnosis of monoblock centrifugal pump

The fault diagnosis problem is conceived as a classification problem. In the present study, vibration signals are used for fault diagnosis of centrifugal pumps using wavelet analysis. Rough set theory is applied to generate the rules from the vibration signals. Based on the strength of the rules the faults are identified. The different faults considered for this study are: pump at good condition, cavitation, pump with faulty impeller, pump with faulty bearing and pump with both faulty bearing and impeller. However, the classification accuracy is based on the strength and number of rules generated using rough set theory. Wavelet features are computed using Discrete Wavelet Transform (DWT) from the vibration signals and rules are generated using rough sets and classified using fuzzy logic. The results are presented in the form of confusion matrix which shows the classification capability of wavelet features with rough set and fuzzy logic for fault diagnosis of monoblock centrifugal pump.