模糊粗糙集在轴承故障模式识别中的应用

提出一种基于模糊粗糙集理论的模式识别方法,将动态聚类法和方差分析法引入连续属性模糊化,获取模糊隶属函数,避开了粗糙集理论属性离散化过程带来的信息丢失;利用F检验判断分类的合理性,克服了人为确定分类数目的缺点;应用模糊化得到的模糊决策表进行条件属性约简,通过属性值约简,提取了清晰、简明的故障模式规则。轴承故障模式识别结果表明,该方法对比一般粗糙集理论,有效地提高了模式识别精度,在实际模式识别中具有很好的应用价值。     

MMAS与粗糙集在齿轮箱故障诊断中的应用

粗糙集理论是一种新的处理含糊和不确定性知识的数学工具,属性约简是粗集理论研究的重要内容,属性约简算法有很多种,而计算一个最佳约简是NP难问题。为了能够有效地获取信息系统的约简,提出了一种新的约简算法。该算法选择最大-最小蚂蚁系统(MMAS),以Fisher准则作为启发式信息来提高搜索效率,将蚁群优化算法引入属性约简中,利用粗糙集理论对故障诊断决策表进行约简,形成清晰、简明的故障诊断规则,为下一步的故障诊断打下了坚实的基础。     

神经网络规则提取及其在转子故障诊断中的应用研究

利用神经网络进行智能诊断所获取的诊断知识难于解释和理解,因此限制了其在智能诊断中的进一步应用,基于此,本文研究了一种新的基于功能性观点的神经网络规则提取方法,介绍了连续属性离散、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法。并与其他方法进行了比较分析。最后,将方法应用于转子故障诊断,通过多功能转子故障模拟实验台获取故障实验样本,利用本文神经网络规则提取方法从故障样本中提取了诊断知识规则,并对其进行了解释,结果表明了方法的正确有效性。     

基于粗糙集理论的建筑节能综合评价方法

为了提高建筑节能评价的客观性,根据现行建筑节能评价体系中各分项指标对建筑能耗的影响趋势以及建筑节能设计标准中的相关规定和技术要求,结合dest软件计算值,建立建筑节能综合评价决策表,然后采用等距离方法对决策属性值离散、Jelonek算法对属性约简、数据分析法对条件属性值约简,得出并行推理规则,去除重复推理规则得到规则约简。因此,粗糙集理论无需对知识或数据的局部给予主观评价,也就是粗糙集理论对不确定性的程度的描述相对客观。该方法和相关软件相结合,既能处理数据库信息系统,挖掘潜在规律,又克服处理问题精确化;这对于实现建筑节能评价的智能化提供了很好的途径。     

基于广义粗糙集理论的旋转机械故障诊断

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分析处理，求出了进行诊断所需的关键条件，由相对约简得到了最优诊断规则。在工程实践中成功地诊断出了大型旋转机械的一些常见故障。     

粗糙集理论在分销商智能供货中的应用

为了找出若干条适于各级分销商的决策规则,尝试将粗糙集理论应用于对各级分销商实现智能供货的问题.把影响分销商配货的因素作为决策表达系统的条件属性,并对其进行简化,在此基础上对属性值进行简化,得到决策表的简化表,并从中提取出决策规则.     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

基于属性分辨力的决策表属性约简

决策表的属性约简,又称知识约简,是粗糙集理论最核心内容之一,最优属性约简是NP难问题。根据粗糙集理论,本文定义了特征集以及属性分辨力概念,提出了基于特征集和属性分辨的启发式搜索算法,在一定程度上提高了搜索效率。     

一种基于FPGA的改进粗糙集属性约简方法

粗糙集理论是一种新型的数学工具,主要用于分析处理模糊和不确定知识。属性约简是其中的一个重要环节。本文结合遗传算法,提出了一种基于FPGA改进的粗糙集属性约简方法,在原研究的基础上,先利用属性重要度求解决策表的核属性,再运用于属性约简,从而减少遗传操作的迭代次数,加快属性约简速度。     

基于火焰图像特征和粗糙集理论的燃烧诊断系统

针对电站锅炉炉膛内燃烧状况的诊断问题, 本文提出了一种基于火焰图像特征提取并采用粗糙集理论诊断锅炉燃烧状态的方法. 采用图像绿光通道亮度值的阈值分割有效地减少了背景辐射对火焰图像的影响, 改进的极坐标边界标定法保证了火焰核心区域的有效提取和图像的完整性, 为燃烧诊断研究提供了可靠的特征区. 采用基于粗糙集的决策规则的推理方法, 建立以火焰图像特征量为条件属性、炉膛工况为决策属性的决策表, 并运用粗集理论中近似集的概念确定了条件属性对决策属性的影响权系数, 对锅炉燃烧状况做出了客观性的判断, 进而为锅炉燃烧状况做出准确的诊断提供了有力的依据. 对从现场获得的一组不同工况下的火焰图像进行了实验,并把实验结果和实际的炉膛燃烧状况进行了比较, 实验结果表明本文的方法是可行的.     

Attribute Selection Based on Rough Set Theory for Electromagnetic Interference (EMI) Fault Diagnosis

Electromagnetic emissions are radiated from every part of a personal computer motherboard, thus producing electromagnetic interference (EMI). EMI has an adverse effect on the surrounding environment because EMI could cause malfunctions or fatal problems in other digital devices. EMI engineers diagnose motherboard EMI problems using the electromagnetic noise data measured by the spectrum analyzer. Finding the sources (e.g., PS2, USB, VGA) of electromagnetic noise is a time-consuming process. The attribute selection and fault diagnosis was developed based on the advantage of rough set theory (RST). RST is a novel data mining approach for dealing with vagueness and uncertainty. It can be used to find hidden patterns in data sets. In this study, the basic rough set theory concepts are introduced. The rough set approach enables one to discover the minimal subsets of condition attributes associated with the motherboard EMI fault diagnosis problem. The operating sequence includes data collection, data preprocessing, discretization, attribute reduction, reduction filtering, rule generation, and classification accuracy. Historical EMI noise data, colleted from a famous motherboard company in Taiwan, were used to generate diagnostic rules. Our research result (average diagnostic accuracy of 80% above) shows that the RST model is a promising approach for EMI diagnostic support systems.     

大型旋转机械故障诊断专家系统ETHYLENE的理论研究

本文在模糊产生式规则的基础上引入了加权模糊连接算子的概念,并研究了征兆的类型。在此基础上,为旋转机械模糊诊断知识提出了一个灵活的知识表达方法——广义模糊产生式规则。在征兆类型的基础上引入了征兆认可因子的概念.利用这一概念来描述模糊蕴涵关系的语义,基于征兆认可因子提出了一个模糊推理算法。文中还给出了由基于这一广义模糊产生式规则和模糊推理算法建立的透平压缩机组故障诊断专家系统ETHYLENE得到的两个诊断结果。     

基于加速度信号全谱分析的转子碰摩故障特征提取实验研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。旋转机械振动的全谱分析是一种使一些典型故障尤萁是碰摩故障能被很清楚检测出来的有效方法，本文在对旋转机械转子中的一些典型碰摩故障进行了模拟试验，以及对故障发生过程中的加速度信号进行采集的基础上，对转子故障加速度信号的全谱特性进行了分析，提取和总结出由故障造成的加速度信号突变和对应的谱特征。分析结果表明：采用转子振动加速度信号对转子的碰摩故障进行诊断是有效的。加速度信号全谱图可以丰富旋转机械碰摩故障诊断系统知识库中的特征信息，对于更准确地诊断转子中的碰摩故障具有重要意义。     

基于声信号三维谱分析的转子复合碰摩故障特征提取

转子在运行过程中的声音包含了大量的转子运行状态信号,变速过程中故障声信号特征的提取及其识别对于旋转机械故障诊断是极其必要的,目前基于声信号三维谱分析的转子故障特征提取还不多,在对转子旋转机械中的一些典型产生的碰摩故障及复合碰摩故障进行了试验模拟,对故障发生过程中的声信号进行采集的基础上,对转子故障声信号的三维谱特性进行了分析。提取和总结出由故障造成的声信号突变和对应的声谱特征。分析结果表明:采用声信号对转子的碰摩故障进行诊断是有效的。声信号三维谱图丰富旋转机械碰摩故障诊断系统知识库中的特征信息,可以用于更准确地诊断转子中的碰摩故障。     

A Method of Rotating Machinery Fault Diagnosis Based on the Close Degree of Information Entropy

1 IntroductionWith the development of industry,the machine or the production system is becoming more and morecomplicated,and the fault diagnosis for such large and complicated systems is also becoming moreand more difficult.For such large-scale diagnosis problems,some approaches based on the modelwere proposed[1,2],butthe diagnosis accuracy is notsatisfactory because the modular diagnosis mod-els are based on single symptom domains.Thus,in order to improve the diagnosis accuracy,it isdesirable…     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

基于多重分形去趋势波动的机械故障诊断新方法

针对旋转机械系统故障信号的非平稳性、非线性等复杂特征,给出一种基于多重分形去趋势波动分析的机械故障诊断方法。该方法首先对原始信号进行去趋势处理,再结合多重分形理论提取多重分形谱面积和多重分形熵两个分形参数,并将其作为故障诊断的新判据,最后通过实验结果证明了方法的有效性,从而为机械故障诊断提供了一种新的方法。     

基于非线性几何不变量的轴承故障诊断方法研究

针对轴承传动本身具有非线性而在传统故障诊断中又被忽略掉的问题,提出了基于分形和混沌等非线性几何不变量的轴承故障诊断方法。该方法对测得的轴承振动时间序列去噪以后进行相空间重构,然后计算重构信号的分形维数、Lypunove指数、K熵、关联距离熵等多个几何不变量,并以此作为轴承故障诊断特征量,输入到径向基神经网络,对轴承故障进行模式识别。实验结果表明该方法能有效区别轴承各种故障状态,且为旋转机械的故障诊断提供了一种新方法。