基于信息熵属性约简的航空发动机故障诊断

针对不协调信息条件下的航空发动机故障诊断问题,研究了基于信息熵属性约简的故障诊断方法。首先定义了故障诊断信息系统来描述不协调故障样本数据,针对基本粗糙集模型分类能力不足的问题,引入变精度粗糙集模型处理不协调诊断信息系统;然后针对现有条件熵不能区分不确定性规则的缺陷,提出了变精度条件熵作为属性重要度的度量标准,设计了启发式属性约简算法,提取故障诊断规则。将该方法用于航空发动机故障诊断,验证了该方法可有效处理不协调信息,显著提高了航空发动机故障诊断的准确率。     

MMAS与粗糙集在轴承复合故障诊断中的应用

在分析振动加速度信号的基础上,提出了新的粗糙集属性约简算法,并应用于轴承复合故障诊断.将最大一最小蚂蚁系统(max-min ant system,简称MMAS)引入条件属性约简中,以最坏Fisher准则函数作为启发式信息以提高搜索效率,综合考虑分类正确率和条件属性个数两方面因素,利用粗糙集理论约简故障诊断决策表,有效地提高了轴承故障诊断的效率.     

粗糙集-神经网络计算机网络故障诊断方法研究

本文用粗糙神经网络进行计算机网络故障分类判断。首先用粗糙集理论对计算机网络的状态属性进行了约简,将庞大的状态属性表约简为最小属性表,然后将最小属性表作为三层前向神经网络的训练样本,构造了基于三层前向神经网络的计算机网络故障的分类判断系统。实践表明,粗糙神经网络计算机网络故障分类判断系统提高了故障诊断速度,其准确率比单独采用粗糙集方法或人工神经网络的方法都高。     

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.     

基于粗糙集的变压器故障诊断方法研究

本文提出了一种布尔逻辑与粗糙集相结合的变压器连续属性离散化方法,用计算机仿真实例说明算法的有效性.在变压器故障诊断中,首次将连续和离散信号统一应用粗糙集进行约简.通过这种方法,能够对变压器故障诊断模型进行更精确的模拟,从而提高故障辨识的精度.     

基于支持向量机集成的模拟电路故障诊断

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种支持向量机集成的故障诊断方法.首先,该方法对采集信号进行Haar小波变换,提取1~5层小波变换的每层第1个低频系数构成特征集.然后将特征集输入集成支持向量机,实现对不同故障类型进行识别.将该方法应用于Sallen-Key带通和4运放双二次高通滤波电路进行故障诊断实验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和集成K-NN分类器有更好的分类和泛化性能,故障诊断准确率更高.     

粗糙集用于故障诊断中的测点优化配置

提出了一种基于粗糙集属性约简技术的测点优化配置方法。首先根据齿轮箱的故障机理确定了基本测点,采用粗糙集理论建立了测点优化决策表;然后提出了采用基于属性频率的差别矩阵法求取最小属性约简集,避免了复杂的布尔运算;最后通过对约简集进行分析找到了有效的信号监测点,并且应用BP神经网络进行了仿真验证。实验结果表明该方法不需要对监测对象建模,也不需要进行动力学分析,而是根据时频域指标与故障种类之间的关联程度选择有效监测点,通过监控有效监测点,采集有效故障信息,有利于提高故障诊断的效率和准确率。     

基于选择性SVM集成的模拟电路故障诊断方法

为克服支持向量机在故障诊断应用中存在的不足,设计了基于聚类分析的选择性支持向量机集成学习算法,并应用于模拟电路故障诊断.该方法采用K-means聚类算法去除相似冗余个体,提高剩余个体学习机的差异性,增强了支持向量机集成模型的泛化能力.以ITC 97标准电路中的Leap-Frog滤波电路为诊断实例进行了仿真实验.     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

变精度粗糙集在齿轮故障诊断中的应用

在二级齿轮箱的变负载过程中,为了有效地处理非平稳信号,采用小波包提取特征参量(条件属性值);为了有效地处理带噪声的数据,将变精度粗糙集理论引入到齿轮的故障诊断中,提出了一种条件属性约简方法.首先对连续属性进行离散化;然后定义集合M,根据实际情况,选取不同的正确分类率β,利用变精度粗糙集的近似分类质量进行条件属性约简,并与加入噪声数据后所得的约简结果进行了对比;最后通过齿轮故障实例验证了此方法的有效性和实用性.     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于决策能力的启发式属性约简及其在诊断中的应用

基于粗糙集理论中决策表条件属性区分能力的概念,提出了计算属性决策能力的量化方法,并以此作为启发式信息来指导决策表中冗余属性的约简,提高了约简效率。这种方法直接应用于机械故障诊断中的知识约简,可以得到更清晰、简明的诊断规则,应用结果表明本约简算法合理、可靠。     

Rolling bearing fault diagnosis based on mean multigranulation decision-theoretic rough set and non-naive Bayesian classifier

To analyze data from multi-level view, reduce computational burden, and improve fault diagnosis accuracy, a novel fault diagnosis method of rolling bearings based on mean multigranulation decision-theoretic rough set (MMG-DTRS) and non-naive Bayesian classifier (NNBC) is proposed in this paper. First, fault diagnosis features of rolling bearings in training samples are extracted to construct MMG-DTRS. Then, the significance degree of condition attribute in MMG-DTRS is defined to quantitatively measure the influence of condition attributes with respect to the decision ability of an information system. An attribute reduction algorithm based on MMG-DTRS is applied to acquire a lower dimensional condition attribute set, which reduces computational complexity and avoids the interference of irrelevant or redundant condition attributes. Finally, NNBC is constructed to classify rolling bearing conditions in test samples. The classification procedures by using NNBC are given. The performance of the proposed method is validated and the advantages are investigated by using a fault diagnosis experiment of rolling bearings. Experimental investigations demonstrate the proposed method is effective and reliable in identifying fault categories and fault severities of rolling bearings.     

粗糙集属性约简的基因算法

粗糙集是一种新型的数据分析方法,而属性约简是其主要算法,由于属性的约简为ＮＰ问题,使得传统算法很难将粗糙集应用于实际中,利用基因算法的搜索寻优技术,提出一种基于多目标优化基因算法的属性约简算法,它不仅有较高的约简效率,而且可以得到多种约简属性集。以柴油机油路故障为例,进行特征属性的约简,取得了较好的结果。     

Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning

Existing fault diagnosis methods usually assume that there are balanced training data for every machine health state. However, the collection of fault signals is very difficult and expensive, resulting in the problem of imbalanced training dataset. It will degrade the performance of fault diagnosis methods significantly. To address this problem, an imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning is proposed in this paper. Unsupervised autoencoder is firstly used to compress every monitoring signal into a low-dimensional vector as the node attribute in the SuperGraph. And the edge connections in the graph depend on the relationship between signals. On the basis, graph convolution is performed on the constructed SuperGraph to achieve imbalanced training dataset fault diagnosis for rotating machinery. Comprehensive experiments are conducted on a benchmarking publicized dataset and a practical experimental platform, and the results show that the proposed method can effectively achieve rotating machinery fault diagnosis towards imbalanced training dataset through graph feature learning.     

Fault diagnosis of planetary gearbox with incomplete information using assignment reduction and flexible naive Bayesian classifier

In planetary gearbox operation, there are many uncertain factors that may result in incomplete diagnostic information, such as measurement instrument faults, limitation of transmission capacity, and data processing. Therefore, it has been one of the greatest obstacles to fault diagnosis of planetary gearbox. To address this issue, a novel fault diagnosis method of planetary gearbox with incomplete information using assignment reduction and Flexible naive Bayesian classifier (FNBC) is proposed. Characteristic relation was utilized to preprocess incomplete diagnostic information. Then, assignment reduction algorithm based on characteristic relation was used to remove irrelevant or redundant condition attribute values. Finally, FNBC was constructed to reason diagnosis results. To validate the performance of the proposed method, a fault diagnosis experiment was conducted. The experimental studies demonstrate the proposed method can be utilized to diagnose planetary gearbox faults with incomplete diagnostic information, reduce computational complexity, and enhance reasoning accuracy.     

流向图在行星齿轮箱故障诊断中的应用

针对行星齿轮箱诊断过程复杂和诊断结果准确率低的问题，提出了一种基于流向图的行星齿轮箱故障诊断方法。该方法通过流向图构建算法直观地表示行星齿轮箱的故障诊断知识，利用流向图约简算法删除不必要的征兆属性节点，以简洁的形式表示属性之间的因果关系，利用流向图分类决策算法确定待诊实例的故障类型。仿真和实验结果证明了该方法的准确性和直观性，为行星齿轮箱的故障诊断提供了一种新颖的解决思路。     

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。