基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

基于小波变换预处理的模拟电路故障诊断

把小波变换用于模拟电路故障诊断中。输出信号的低频系数反映了信号的概貌特征．表征了电路的故障情况,因此,利用小波变换有效地提取故障特征信息。提出了“小波系数-故障”的故障诊断方法。计算和实验结果表明：该方法可以简化神经网络的结构和减少它的训练时间,快速高效地进行模拟电路故障诊断与定位。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于AdaBoost集成网络的模拟电路单软故障诊断

基于神经网络的模拟电路故障诊断方法中会遇到网络训练误差很小甚至为零的情况下测试误差依然存在甚至很大的情况,这是由于神经网络的推广性能较差而造成的.针对模拟电路的神经网络故障分类器推广性能较差的问题,提出了将基于AdaBoost的神经网络集成应用于模拟电路故障诊断的新方法.通过对集成网络的诊断误差进行偏差-方差分析,说明可重复取样的AdaBoost技术可以降低集成网络中各成员网络的相关性以减少方差,从而使模拟电路故障诊断的集成网络系统的推广误差降低,使模拟电路故障诊断率得以提高.利用PSPICE的仿真数据和从实际电路获取的实测数据进行实验,实验结果均证明了该方法的有效性.     

基于粗集约简预处理的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效。但将神经网络用于电路故障诊断时,知识具有隐含性,可解释性差,且对输入数据的冗余难以约简,获得每一个训练样本都要进行一次测试或模拟计算,样本花费代价很大,而粗糙集理论作为处理不确定、不完整、不精确知识的有力工具,具有强大的知识约简和定性分析能力。因此,该文提出了对模拟电路的故障特征进行粗集约简预处理研究的智能诊断方法。并举例说明诊断系统的具体实现方法,仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义。     

一种基于BP神经网络模拟电路故障诊断新方法

模拟电路故障诊断就是一个模式分类识别问题。本文提出了一种新的模拟电路故障特征向量提取方法——分布节点电压和电流的组合信息作为模拟电路的故障特征向量,应用BP神经网络改进算法进行模拟电路故障诊断,实验证明所提出的方法是可行的。也是很有价值和潜力的。     

模拟电路故障诊断的神经网络方法

给出了模拟电路软故障诊断的神经网络方法,利用蒙特卡洛分析,取其能反映故障信号特征的成分做为电路故障特征,而且在网络训练之前,利用主元分析降低了网络输入维数,再输入给神经网络,不仅优化了网络结构,并提高了辨识故障类别的能力。实验证明了这种方法的可行性与适用性。     

模拟电路故障诊断的新方法

本文提出了用多小波神经网络诊断模拟电路故障的新方法。根据多小波的多分辨率分析思想,构造了一种多小波神经网络,其激励函数为具有紧支撑集、对称性和正交性的多尺度函数和多小波函数。用多小波神经网络和单小波神经网络对实例电路进行故障诊断,仿真结果表明,与单小波神经网络相比,多小波神经网络不仅学习收敛速度快,而且能够更准确地对模拟电路进行故障诊断。     

基于粗糙集与神经网络的齿轮箱故障诊断

对粗糙集的属性离散化和约简算法进行了研究,提出了一种基于粗糙集与神经网络相融合的故障诊断方法。首先提出一种优化NS断点集的方法用于离散化决策表,然后采用差别矩阵和差别函数直接求取最小属性约简集,最后采用神经网络对JZQ-250齿轮箱进行故障诊断,并比较了约简前后特征集的诊断结果,实验表明粗糙神经网络能够简化网络结构,有较强的容错和抗干扰能力,且迭代次数少,收敛速度快,诊断精度高,是一种有效的齿轮箱故障诊断方法。     

基于RBF神经网络的模拟电路故障诊断方法的研究

提出了一种基于径向基函数(RBF)神经网络的模拟电路故障诊断方法.这种方法采用脉冲信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,应用径向基函数神经网络的分类能力强、学习速度快等优点进行故障诊断.结果显示,基于RBF神经网络的模拟电路故障诊断方法学习速度快,故障诊断率高.是一种有效的故障诊断方法.     

基于粗糙集理论的系统建模与故障诊断

应用粗糙集理论,可以从原始的数据中提取有用的知识或规则.依据这一思想,本文建立了一个实际非线性系统的粗糙集模型.在建模过程中,首先用系统输入输出的采样数据构成原始信息表,然后离散化,再利用粗糙集算法得到系统粗糙集模型的不完备规则集,通过实验和线性插补法实现规则集完备化,最后完成模型的设计和校验.校验结果表明所建的粗糙集模型是有效的,并利用该模型实现了系统的一种故障诊断.     

基于小波包与粗集的往复压缩机故障诊断方法

提出了基于小波包与粗集的往复压缩机故障诊断的新方法。该方法使故障特征提取及规则的提取都由计算机自动完成，经诊断实例表明，使用该方法可对往复压缩机进行有效的故障诊断。     

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.     

粗糙集合理论在旋转机械故障诊断技术中的应用

粗糙集合理论基于严格的集合分析方法,通过对数据集合进行等价关系、近似空间、分类等运算,发现隐含在数据中的规律与性质,从而完成知识发现。在人工智能机器故障诊断系统中,如何获得故障诊断等知识成为关键技术。论文提出将粗糙集合理论应用于加工中心故障诊断技术,使得故障诊断技术中的知识获取瓶颈问题得以有效解决。     

粗糙集属性约简理论在故障诊断中的应用研究

在故障诊断专家系统中,当系统规模较大时,知识库中的规则骤然增多,搜索匹配规则需耗费大量的时间,因此推理速度受到限制.在故障诊断系统中使用粗糙集属性约简理论,在知识获取之前能减少大量包含较少或几乎不包含什么信息量的冗余属性,将大大简化知识库结构的复杂度,提高人们对隐含在知识库庞大数据量下的各种信息的认识程度.     

基于粗糙集的石油开采故障诊断方法

故障诊断是保证石油开采正常运作的关键.利用计算机准确的监控与故障诊断,能够让生产管理者可以及时发现油井或泵的故障,并且立即采取正确的措施.本文以有杆泵抽油过程为例,给出了基于粗糙集理论的抽油故障诊断方案,将反映系统状态的数据建构决策表,对五种典型的故障类别进行识别,结果显示了方法的有效性.     

基于子带分析的非线性电路故障诊断

针对非线性模拟电路故障诊断中Volterra级数(Volterra核)计算复杂的难题,基于Volterra核的频谱子带分析,提出了利用将Volterra核进行子带分解以降低计算复杂度的方法。首先将激励信号分别输入正常电路和故障电路得到两种电路的输出,然后分别计算正常电路和故障电路的Volterra子带核,通过求解两种电路Volterra子带核的相关系数实现故障元件的特征提取。实验结果表明,该方法不仅能提高故障诊断效率,还能有效提取灾难型故障(硬故障)和参数型故障(软故障)的故障特征。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

个性化配置器的粗糙集方法研究

针对产品数据管理系统对个性化配置的要求,给出了个性化配置器的概念,并对产品配置的工作流程进行了概要分析。在考虑设计、制造、装配等应用部门的相关需求基础上,提出了个性化配置器的规则提取模型,利用不完备信息系统粗糙集的相关方法加以处理,使得用户和销售工程师在进行个性化产品定义时可以确定相应的配置规则,并由此产生相应的产品结构。研究了上述模型工作的基本步骤,并给出了具体的应用简例。