矩阵加权关联规则在故障诊断系统中的应用

关联规则挖掘算法实现了对复杂设备的通用、快速、脱离主观经验的故障诊断。经典的关联规则算法以各项目均匀分布为前提,而实际的故障诊断过程中不同的故障因素对故障诊断的贡献度不同。针对这种情况,将"最小支持期望"和矩阵引入关联规则,提出一种适用于设备故障诊断的基于矩阵的加权关联规则模型——MWARMA模型,实例证明该模型在提高挖掘效率的同时,明显提高了故障诊断的准确率。以该模型为基础设计并实现了一套设备故障诊断系统。     

基于关联规则分类的冷水机组故障诊断研究

鉴于现有基于数据驱动的故障诊断方法多以黑箱模型为主,诊断过程和结果难以解释的问题,本文提出一种基于关联规则分类的冷水机组故障诊断和故障作用机理解释的方法,在保证较好故障诊断精度的前提下,利用故障诊断模型中的规则库对诊断过程进行逆向分析,解析故障作用机理和模型的诊断过程,提升了基于数据驱动的故障诊断方法的可靠性。通过ASHRAE研究项目1043的实验数据对该方法进行验证。结果表明,基于关联规则分类的冷水机组故障诊断方法可以有效地识别7种典型冷水机组故障,平均故障诊断准确率高达90.84％。此外,提取的规则能够较好地吻合制冷原理及热力学相关知识,可用于故障作用机理分析与故障诊断的进一步研究。     

改进多重最小支持度关联规则算法在故障诊断中的应用

Apriori算法的前提是数据库中各项目的频率和重要性是相同或者相似的,但在故障诊断的实际应用中并非如此。在Apriori算法的基础上进行改进,利用多重最小支持度解决了设备故障诊断中非频繁项目的挖掘;同时针对在实际的应用中项目集的重要程度不一致的问题,提出一种基于"组件信誉值"的加权多重最小支持度算法,并通过实际的例子证明了该算法在故障诊断中的正确性和有效性。     

基于关联规则数据挖掘技术在教学管理中的应用

数据挖掘技术是一种以从大量数据中提取潜在有价值的数据规律或数据模型为目的的信息处理技术。将此技术运用在高校信息处理的工作上,可智能生成有价值的信息,用于学校教学管理与决策。本文将以目前高校普遍使用的学分制选课数据系统依托,运用数据挖掘技术中关联挖掘规则,对已有数据进行分析,为读者提供一个简单易操作的数据挖掘范例,供读者参考。     

基于关联规则的团购优惠数据挖掘

数据挖掘在各行各业中被广泛应用,提高工作效率,加强了各行业决策判断的依据和准确性。本文主要针对电信行业的新业务团购优惠进行数据挖掘,基于关联规则从海量的优惠、用户、客户等资料信息中挖掘出团购优惠这项新业务的进展情况,作为业务部门执行下一步市场发展计划的决策依据。     

数据挖掘技术中基于关联规则算法的研究

随着现代信息技术的发展,特别基于网络的信息技术的飞速发展,人们对于数据的处理能力的要求也随之升高,数据挖掘的本质,就是从模糊的、随机的、有噪声的、大量的、不完全的数据当中提取有潜在利用价值的信息的过程。从大型数据库中挖掘关联规则的问题已成为数据挖掘中一个比较热门的研究方向。在先前研究的基础之上,对基于关联规则的数据挖掘技术进行全面地分析。     

数据库中广义模糊关联规则的挖掘

引入了广义模糊关联规则的概念,给出挖掘规则的计算方法,用来进行数据挖掘,以找出隐藏在数据库当中那些有用的而未被发现的知识。     

正负关联规则挖掘的研究

传统的基于支持度-置信度框架的关联规则挖掘方法可能会产生大量不相关的、甚至是误导的关联规则,同时也不能区分正负关联规则。本文提出了一种评价关联规则的可量化标准,进一步提出一种能同时挖掘正负关联规则的框架,实验证明该方法是有效的。     

神经网络在滚动轴承故障诊断中的应用

简述了神经网络在机械故障诊断中的主要应用方面,提出了训练样本的数量和质量问题,以铁道车辆滚动轴承为例,用大量精选的现场实测数据作为训练样本,对所建立的BP网络进行训练,将训练好的网络应用于轴承状态分类,取得了很好的诊断效果.     

刍议高校教务管理系统中关联规则的应用

高职院校在多年的教学管理工作中累积大量的有关教学方面的数据,目前这些数据还未能得到有效利用,鉴于高职院校发展的需求和目前高校数据管理的现状,有效采用数据挖掘技术分析这些数据,对指导学校各方面的工作以及学生的培养具有十分重要的作用。     

故障诊断的模糊神经网络模型

论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

基于声信号和一维卷积神经网络的电机故障诊断研究

针对电机故障诊断问题,设计一种新型的一维卷积神经网络结构(1D-CNN),提出一种基于声信号和1D-CNN的电机故障诊断方法.为了验证1D-CNN算法在电机故障识别领域的有效性,以一组空调故障电机作为实验对象,搭建电机故障诊断平台,对4种状态的空调电机进行声信号采集实验,制作电机故障声信号数据集,并运用1D-CNN算法...     

基于专家系统与神经网络集成的故障诊断的应用研究

本文针对工业生产中使用的直流电动机,应用人工智能的相关理论对其故障进行了广泛深入地研究。在此基础上,探讨了专家系统与人工神经网络相集成的电动机故障智能诊断方法并加以实现。实践证明,网络的学习时间显著缩短,整个系统的推理效率明显提高,并验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更为全面、准确和迅速。电动机故障的集成式智能诊断方法是一个既有理论研究意义又有实际使用价值的课题与方向。     

悬臂薄板结构损伤状况的神经网络诊断

基于动量法及Levenberg_Marquardt规则BP神经网络算法 ,本文建立了悬臂薄板固有频率与其裂纹深度、位置诊断关系的人工神经网络模型 ;模型仿真结果表明 ,BP神经网络适用于此类损伤无规律对象问题的诊断。     

时域径向基函数网络诊断方法在往复泵故障诊断中的应用

往复机械是工程中广泛应用的一种机械设备 ,由于其动力学和运动学形态比旋转机械复杂 ,对其进行故障诊断存在较大难度 ,有效提取往复机械运动中非平稳时变信号中的故障特征和将故障特征准确分类是解决往复机械故障诊断问题的两个关键。本文利用时域数字特征分析方法完成故障特征信息提取 ;通过径向基神经网络对特征信息分类识别 ,实现故障的自动诊断。利用以上原理建立的油田往复塞泵故障监测与诊断系统 ,通过在大庆油田的实际应用表明 ,系统能够比较准确的识别往复柱塞泵多种常见故障 ,且具有较高的运算速度。     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足,提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真,并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。