粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

基于粗糙集和模糊支持向量机的感应电动机故障诊断方法

提出粗糙集(RS)和模糊支持向量机(FSVM)相结合的电动机故障诊断方法。先利用粗糙集对属性进行约简,然后将约简属性作为FSVM的输入,再对其进行训练,实现多分类,并使结果可视化。实际诊断结果验证了此方法的可行性与有效性。     

采煤机概念设计融合推理模型研究与实践

为充分利用产品概念设计中积累的成功经验和数据,提出基于粗糙集、支持向量机等理论的融合推理模型。利用模糊集理论对客户需求属性中的语义化、模糊化信息和连续值进行离散化处理,然后利用粗糙集理论对条件属性的冗余信息进行属性约简和规则提取,利用近邻算法获得产品设计的最相似实例。对于未找到相似实例的设计要求,利用支持向量机回归模型进行创新设计,通过人工调整参数,最终得到产品概念设计的最优方案。该模型建立了概念设计客户需求与产品质量特征之间的联系,克服了传统近邻算法的缺陷。基于UG平台开发出具有良好人机界面的采煤机概念设计原型系统,实现了该融合推理模型的工程应用,经实践验证,该方法较为客观、准确和高效。     

基于支持向量机和邻域粗糙集的旋转机械振动故障诊断

针对旋转机械振动故障诊断,提出了一种基于邻域粗糙集模型的改进支持向量机的诊断方法。该方法对选取的特征向量进行约简,并将约简结果作为支持向量机的输入特征向量来诊断旋转机械的工作状态。实验结果表明:与属性约简前的支持向量机诊断模型相比,该方法能够在提高分类精度的前提下缩短系统的诊断时间,取得了良好的效果。     

基于RS-ISVM的网络入侵检测研究

目前入侵行为有多样化和复杂化的趋势,如何快速准确地检测出新未知类型的攻击已成为研究焦点。文章将增量式学习引入支持向量机中,巧妙将粗糙集的属性约简与增量式支持向量机较强泛化能力相结合,建立一种基于RS-ISVM的网络入侵检测系统模型。并充分利用广义KKT条件作为判断标准,来提高分类的精度和节约训练时间,经理论分析和实验阐明了该组合模型对入侵检测的有效和合理性。     

基于粗集-支持向量机的采空区自然发火预测

将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。     

基于FRS—SVM采煤机液压系统故障诊断的研究

结合模糊粗糙集(FRS)理论和支持向量机(SVM)分类机理,提出了一种新的液压系统故障诊断方法。应用FRS理论处理不确定、不完备信息的属性约简能力,剔除冗余信息,获得具有代表性的特征信息,再利用SVM的推广能力,对小样本数据进行故障诊断。通过此方法对采煤机牵引部液压系统的故障诊断仿真实验,结果证明大大提高了诊断精度和效率。     

基于粗糙集与支持向量机的煤矿灾害应急物流能力评价

提高应急物流能力是煤炭生产企业亟待解决的现实问题。提出采用粗糙集与支持向量机相结合的方法,在构建模型基础上评价煤矿的应急物流能力。首先,结合煤矿灾害特征,从组织协调、决策制定、物流运作供应能力、信息处理能力及救援队伍等方面构建评价指标体系;然后,在粗糙集与支持向量机理论框架下对评价指标进行约简,提出基于RS-SVM的评价模型;最后,通过实证研究验证模型的适用性。结果表明与直接采用支持向量机方法相比,最后提出的评价模型精确度可由98.6%提高至100%。     

基于粗糙集融合最小二乘支持向量机的煤矿安全预警模型

针对煤矿安全影响因素多、各影响因素之间相互关联、样本信息采集困难等问题,分析了煤矿安全生产系统风险,从人员、设备、环境、管理四个方面构建了煤矿安全影响因素指标体系,基于粗糙集理论融合最小二乘支持向量机方法的提出了煤矿安全机预警模型,并以实测数据为例对该预警模型的计算结果进行了训练和检验。结果表明,粗糙集融合最小二乘支持向量机能够有效提高预警效率,反映各控制因素对煤矿安全的影响,计算结果与样本值拟合精度较高,对保障煤矿安全生产具有重要而现实的意义。     

基于粗糙集和遗传算法的多元二次非线性回归分析模型及应用

针对煤与瓦斯突出模式识别是一个非线性、高维数据处理问题,建立了多元二次非线性回归分析的模式识别模型。利用粗糙集属性约简算法对样本数据进行降维处理,再利用降维数据和遗传算法估算出模型系数,通过对测试样本的识别检验,表明基于粗糙集和遗传算法的多元二次非线性回归分析模型具有很高的判别能力,取得和支持向量机回归模型一样的识别效果。