基于神经网络的关联规则在故障诊断中的应用

采用加权关联规则算法对设备历史数据库进行挖掘,建立加权关联规则模式库。设备监控数据通过与模式库匹配,实现设备故障诊断。同时,针对钢铁企业中液压设备的特殊性,提出利用自组织竞争神经网络模型确定权值,即将设备故障信息的3个主要属性:重要程度、易损程度、故障等级作为模型的输入,通过训练样本确定设备故障的加权关联规则的权值。实例证明了该方法的有效性。     

基于动态模糊关联规则推理的光网络故障管理(英文)

当代光网络趋于复杂化,一个故障将引发多个告警事件。同时,同一告警可能由不同的故障导致。本文研究了基于数据挖掘的光网络告警相关性分析,我们从动态网络资源与设备中挖掘关联规则,充分利用和维护原有规则知识,使网络结构和规则库都能快速更新,并提出了新型的动态模糊关联规则挖掘算法IDFARM。同时运用模糊逻辑将数值型告警属性转化为逻辑语言变量,当网络中有新的未知告警发生时,我们对模糊关联规则运用模糊推理来进行故障诊断,这将缩短网络恢复时间,有利于提高光网络故障管理性能。仿真实验验证了文章算法的正确性和有效性。     

基于大数据挖掘的集控设备故障处置辅助决策方法

为了提高集控设备故障诊断精度并提供最佳处置决策,提出基于大数据挖掘的集控设备故障处置辅助决策方法。设计集控设备故障辅助决策框架,通过数据接口层获取数据采集与监视控制、继电保护及故障信息等系统的设备运行数据,存储于电网拓扑数据库中,与故障文件信息、各子站的CIM/SVG/SCL信息及规则库一起保存于数据存储层。数据处理层调用存储层数据,采用改进K-means算法挖掘电网拓扑数据库中的集控设备故障信息,利用小波包提取设备故障特征后,将其输入到分析层的基于哈夫曼树的最小二乘双支持向量机多分类模型中,实现集控设备故障诊断,确定故障模式,并采用灰色定权聚类分析方法实现故障模式的分类决策。实验结果表明：该方法可提高集控设备故障分类精度及效率,故障诊断误差低,可实现集控设备故障诊断,作出最佳故障处置决策。     

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。     

基于改进Murphy规则的锅炉智能融合故障诊断方法

锅炉故障是火力发电厂的一个重要问题,它具有高温高压高耦合性的特点。针对这一问题,提出一种基于改进Murphy规则的智能融合故障诊断方法。首先利用Relief算法对锅炉的各个变量进行特征提取与选择,获得11个模型输入变量;然后利用SVM、LVQ、 PNN、BP 4种不同的分类器进行故障模型训练,并对每个模型进行性能评估;最后利用改进Murphy规则对4个分类器的结果进行融合,得到最终的故障诊断结果。运行结果证实该智能融合故障诊断方法可以有效诊断出锅炉故障,提高故障诊断的准确率,有效降低故障诊断的误报率与漏报率。     

一种基于目标属性的关联规则挖掘算法的研究

提出一种基于目标属性的关联规则挖掘算法,该算法对于不同目标属性的关联规则挖掘是相互独立的,虽然会产生重复工作,但是在并行计算以后效率得到了大大的提高.经过实验分析,对于同样的问题,采用该算法并引入并行计算后,效率要比采用间接挖掘方式的Apriori算法高得多.     

基于压缩事务矩阵相乘的Apriori改进算法

Apriori算法是当前使用最广泛的关联规则挖掘方法中最为经典的算法之一;但是该算法需要反复的扫描数据库,在I/O上花消很大,并且在得到频繁-2项集的过程中会产生庞大的候选-2项集,其次在筛选得到频繁-k项集时,并没排除那些不应该参组合的元素,而导致该算法效率很低,针对上面影响计算效率的三个方面提出基于压缩事务矩阵相乘得到频繁项目集的算法,只需一次扫描数据库,经过压缩处理产生产生事务矩阵,通过矩阵间运算得到频繁项目集,有效提高了关联规则的挖掘效率。     

模糊神经网络技术在液压泵故障诊断中的应用

提出了一种基于模糊神经网络的液压泵故障诊断方法,介绍了该方法的基本原理及实现算法.以某型号齿轮泵为研究对象,利用其状态数据作为样本数据,建立了基于模糊神经网络的齿轮泵的故障诊断模型.并利用该模型对齿轮泵运行状态进行了辨识,结果表明,该方法能够充分利用检测到的各种故障征兆信息,从而使齿轮泵故障诊断更加准确有效.此方法也可用于其它同类设备的故障诊断.     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。