基于粗糙集神经网络的网络故障诊断新方法

摘要针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用神经网络方法和粗糙集理论,提出了RSNN算法,实现不一致情况下的规则获取和学习样本的净化处理．该算法具有简化样本、适应性强、容错性高和不易陷入局部最小点等特点,能有效处理网络故障诊断中噪声或不相容的信息．实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度．     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

粗糙集与模糊神经网络集成在故障诊断中的研究

考虑模糊聚类的数据离散功能,粗糙集理论对决策系统的约简能力,以及模糊神经网络在模式识别方面具有的优势,提出了粗糙集一自适应模糊神经网络推理系统（ANFIS）集成进行故障诊断的方案：首先,应用SOM方法离散故障诊断数据中的连续属性值;然后,基于粗糙集理论计算诊断决策系统的约简,按照实际需要确定诊断条件;最后,根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下,该方案可以推广应用于其它机械设备。     

基于粗糙集遗传神经网络的柴油机故障诊断

提出一种基于粗糙集和遗传算法的BP神经网络故障诊断方法,解决基本BP网络收敛速度慢、精度低、易陷入局部极小值问题.运用粗糙集理论对训练样本进行属性约简,简化BP网络输入维数.设计2次遗传算法训练BP网络,第一次优化神经网络隐含层节点个数,第二次在神经网络结构确定的情况下,优化网络连接权值.以柴油机进、排气阀故障为例,应用提出的方法进行仿真,仿真结果证明了该方法能够优化神经网络结构,提高故障诊断速度和准确率.     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于粗糙集的多层容错神经网络故障诊断

针对神经网络故障诊断问题中输入属性维数多和数据量庞大的情况,首先利用粗糙集理论对原始数据进行约简,并按照一定的原则选取多个约简;然后对所得到的多个约简分别构建子神经网络,将多个子网络合成统一的容错网络。结合实例应用取得了令人满意的结果,并为高可靠性设备的故障诊断提供了新的思路。     

基于粗糙集神经网络的应用层故障诊断系统

为解决计算机网络应用层故障诊断问题,设计了一个基于粗糙集神经网络的故障诊断系统,详细描述了系统的结构、粗糙集神经网络的构造和训练方法,并通过仿真验证了该方法的有效性。     

基于神经网络的网络故障诊断

针对传统故障知识库冗余度高和稳定性难以两全的缺陷，提出了RSFBP算法，综合运用神经网络方法和粗糙集理论，实现对学习样本净化处理。实验表明，利用该方法实现的系统在进行网络故障诊断时可以取得较好的效果。     

基于粗糙集神经网络的旋转机械故障诊断

针对旋转机械故障和故障征兆关系的复杂性及神经网络在故障诊断中存在网络结构复杂和训练时间长等问题,提出了一种基于粗糙集与神经网络结合的故障诊断方法;采用自组织映射方法对属性进行离散化,设计了一种自适应遗传算法对属性进行约简,将获得的最小条件属性集作为神经网络的输入;以轴承的故障诊断为例进行分析,结果表明,该方法在保证诊断正确率的同时,可以有效简化神经网络的结构,降低网络的训练时间;另外,设计的自适应约简算法在保证获得最小约简的基础上,大大加快了收敛速度;该方法可推广应用在其它机械设备的故障中。     

基于粗糙集和信息熵的BP神经网络故障诊断

针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果.     

优化的粗糙神经网络在故障诊断中的应用

本文在相异度理论的基础上，提出了类间相异度的度量方法，从而以粗糙集理论为属性约简工具，利用相异度理论进行类的泛化和特化．构造出了优化的粗糙神经网络模型。故障诊断实例分析表明，该模型对神经网络分层约简并剔除其中不必要的属性．减少了神经网络的总体训练时间和决策过程中的模式匹配搜索量，大大提高故障诊断系统的反应能力，在大型复杂的故障诊断应用中效果尤为明显。     

基于粗集理论的压缩机故障诊断方法研究

论述了将粗集理论应用于压缩机故障诊断的方法。利用粗集理论在处理大数据集、消除冗余信息等方面的优势,减少了训练数据的冗余。运用这一方法对齐鲁石化塑料厂的运行数据进行了约简,去除不必要的属性,得出了诊断的决策规则。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

粗糙集神经网络系统在故障诊断中的应用

故障诊断中的误报和漏报现象直接影响诊断的准确率,同时在线故障诊断又要求很强的实时性,本文在给出粗糙集神经网络系统原理框图的基础上,结合领域知识把该系统应用于滚动轴承的故障诊断中,仿真实验结果表明该系统提高了故障诊断的准确率和诊断速率,同时减少了检测项目,降低了诊断成本,在实际中有良好的应用前景。     

基于粗糙集理论和贝叶斯决策的WSN节点的故障诊断

提出了一种无线传感器网络(WSN)节点故障诊断的新方法,首先基于Rough Set理论的区分矩阵和区分函数得到故障诊断决策的属性简约;然后通过贝叶斯决策理论对WSN各个节点的功能模块进行故障定位以及维修决策.仿真实验表明,该方法在WSN节点故障诊断时通信代价小,能量消耗低,诊断正确率高,因而具有在能量有限的WSN节点中应用的可能性.     

基于粗集理论的贝叶斯故障诊断方法研究

贝叶斯统计推断方法是故障诊断技术领域一项重要的技术,在统计模式识别领域具有广泛的应用;针对朴素贝叶斯方法的缺点,提出了基于粗集理论的贝叶斯诊断方法,该方法利用历史诊断记录,综合考虑故障征兆和故障原因之间的依赖关系,基于粗集方法进行了故障征兆属性信息的约简,得到了故障征兆和故障原因的最小描述;通过属性约简,改善了贝叶斯方法中要求的属性信息之间的独立性限制,实验结果表明,基于粗集理论的贝叶斯故障诊断方法对于简化诊断模型,减少算法执行时间,提高诊断速度具有重要作用.