基于最邻近法的注塑产品设计事例检索策略

针对注塑产品特点,提出了基于粗糙集和模拟退火算法的事例最邻近检索策略。基于粗糙集对事例属性进行约简,获得了事例属性的重要度排序,以此建立了事例库的层次聚类模型和分配特征属性权重值。根据约简后的结果,将事例库组织成层次结构,可有效缩小事例搜索空间,提高检索效率。基于模拟退火算法对特征属性的权重值进行优化,通过在相似度检索模型中加入权值分配的指导信息,防止检索出的相似度系数最大的事例并非最佳事例,提高了检索的质量。应用实例表明,该方法能够有效提高基于事例的推理系统整体的检索效率与质量。     

基于邻域粗糙集的转子故障数据属性约简

特征数据集的属性约简是机械故障智能诊断的关键步骤之一。目前利用粗糙集理论从大量的且含有噪声以及非线性、非平稳信号的故障数据集中提取出有用特征信息是一件值得研究的事情。针对原始故障数据集直接离散化会导致一些关键属性丢失以及时域内分析不能有效获取故障本质的问题,提出了一种以频域内的频谱值为条件属性,以故障类别为决策属性建立邻域粗糙集决策表对数据集进行属性约简的方法。通过处理转子实验台数据对该方法进行验证和对比,结果表明该方法能有效地获得典型故障的关键属性和更加准确的决策规则。     

基于粗糙集和K-均值聚类的概念设计实例检索方法研究

针对产品概念设计非常复杂、涉及内容多等特点,提出基于粗糙集的实例推理技术,并将其应用于实例检索.首先在分析了概念设计特征基础上,建立了基于粗糙集的概念设计实例知识表达系统模型,然后通过基于分层聚类的K-means聚类法离散化决策表中的连续属性,利用粗糙集对离散后的决策表进行实例特征属性约简,抽取重要的特征属性作为检索依据,通过权值计算方法得到各特征属性的权值,检索出最为接近的概念设计实例作为设计参考实例.最后以冲压模具实例检索为应用实例,说明了这种实例检索方法的可行性、有效性.     

变精度粗糙集在齿轮故障诊断中的应用

在二级齿轮箱的变负载过程中,为了有效地处理非平稳信号,采用小波包提取特征参量(条件属性值);为了有效地处理带噪声的数据,将变精度粗糙集理论引入到齿轮的故障诊断中,提出了一种条件属性约简方法.首先对连续属性进行离散化;然后定义集合M,根据实际情况,选取不同的正确分类率β,利用变精度粗糙集的近似分类质量进行条件属性约简,并与加入噪声数据后所得的约简结果进行了对比;最后通过齿轮故障实例验证了此方法的有效性和实用性.     

粗糙集在滚动轴承故障诊断中的应用

对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。     

基于粗糙集的变压器故障诊断方法研究

本文提出了一种布尔逻辑与粗糙集相结合的变压器连续属性离散化方法,用计算机仿真实例说明算法的有效性.在变压器故障诊断中,首次将连续和离散信号统一应用粗糙集进行约简.通过这种方法,能够对变压器故障诊断模型进行更精确的模拟,从而提高故障辨识的精度.     

粗糙集属性约简的基因算法

粗糙集是一种新型的数据分析方法,而属性约简是其主要算法,由于属性的约简为ＮＰ问题,使得传统算法很难将粗糙集应用于实际中,利用基因算法的搜索寻优技术,提出一种基于多目标优化基因算法的属性约简算法,它不仅有较高的约简效率,而且可以得到多种约简属性集。以柴油机油路故障为例,进行特征属性的约简,取得了较好的结果。     

建造液压伺服系统故障诊断的粗糙集神经网络知识库

在液压伺服系统故障诊断技术的研究中,故障知识库的建立一直是人们关注的热点问题,为此提出了利用粗糙集神经网络来构建故障知识库的方法,在详细介绍了粗糙集神经网络知识库建立过程的基础上,重点讨论了其中的决策表离散化和粗糙集特征属性的约简方法.     

基于粗糙集理论的冲模CAD系统中CBD方法研究

针对冲模产品及其设计特点,提出了基于粗糙集理论与实例推理技术相结合的冲模CAD方法.给出了基于粗糙集理论的冲模实例知识表达系统模型,阐述了实例知识的存储和实现策略,并围绕实例的检索,讨论了冲模实例的相似度和特征属性权值的计算方法.通过利用粗糙集理论对实例特征属性重要度进行计算,可实现特征属性约简,抽取出重要的属性作为检索依据,并得到各特征属性的权值,有效地克服了传统的实例检索中权值确定对主观经验的过分依赖.最后,以冲压件排料间隙的确定为例,说明了该设计方法的有效性.     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

粗集理论在污水参数软测量中的应用研究

用粗糙集理论约简属性,消除冗余信息后建立了污泥体积指数的神经网络软测量模型.用某城市污水厂实际水质参数进行仿真实验.仿真结果表明,与未采用粗糙集进行预处理的模型相比,应用该模型不仅测量值的误差更小,而且输入参数从9个降至4个,大大降低了输入数据的维数,减少了神经网络的训练时间及训练步数,有利于软测量模型的实用化.     

设备故障智能诊断方法的研究

模糊聚类、粗糙集理论、灰色系统理论等相关技术曾被广泛应用于设备故障诊断中,但是模糊聚类只能对已知样本做出决策,不具有柔性,不能通过已知信息和聚类结果对问题所涉及领域内的新样本的类别做出决策;粗糙集理论不能处理连续变量;而灰色系统理论无法去除故障诊断中冗余的特征参数,不能区分各特征参数的重要性,因而制约了它们在故障诊断中的应用.在本文中,这几种理论被有机地结合起来,应用于设备故障诊断中.在故障诊断过程中,首先利用模糊c均值聚类对样本的参数进行离散化处理,求得各类别的聚类中心,接着基于粗糙集原理对设备特征参数进行约简,去除冗余参数,定量确定各特征参数的重要程度,然后根据约简的特征参数和各参数的重要程度,利用灰色关联分析的方法确定各种标准故障状态与目前设备状态的关联度,从而找到设备的故障所在之处.在本文最后部分通过实例证明,将模糊c均值聚类、粗糙集理论和灰色系统理论结合起来,应用于设备的故障诊断中是一种行之有效的方法,为智能故障诊断提供了理论基础.     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。     

基于扩展粗糙集的工艺偏好知识发现

工艺偏好知识是工艺决策者和工艺设计者关注的重要知识。针对工艺属性复杂多样的特点,采用扩展粗糙集模型,将经典粗糙集模型进行扩充,综合运用等价、相似和偏好关系,即复合关系进行工艺偏好知识的挖掘。接着给出工艺属性的预处理方法、工艺属性的约简算法、工艺偏好规则的表达方法和工艺偏好知识的归纳学习算法。最后以孔加工工艺信息表为例进行实例验证,结果证明所获得的工艺偏好知识是能够直接指导工艺决策者的关键知识,并且可节省大量的基于支持度、可信度和确定度的工艺规则评价环节。     

一种高效的基于粗集实时诊断算法的研究

随着计算机、自动化等技术的不断发展 ,在线监测系统已广泛地应用在企业生产中 ,开发研制智能化实时在线诊断系统已成为发展的必然趋势。粗集理论能有效地分析和处理不精确、不一致、不完整的各种信息 ,并以最简单的形式表示属性间相互影响关系 ,它已逐步应用在各类诊断领域中。由于属性的简约为 NP完全问题 ,这就为时效性要求较高的实时在线诊断算法提出了较高的要求。本文提出了一种高效的时态决策表“核”的计算方法 ,该方法不需要遍历所有的对象 (或过程 ) ,提高了求解速度 ,并可利用前一时态决策表“核”的计算结果经过简单推算即可求得下一时态决策表的“核”。应用遗传算法求解决策表的最小简约 ,根据“核”的信息对遗传操作采取了一系列控制策略 ,从而大大提高了求解效率 ,使基于粗集的实时诊断系统应用在实际生产中成为可能。     

数据挖掘在短时交通流预测模型中的应用研究

为准确地对交通流进行短时预测,提出了一种新的基于数据挖掘技术的预测模型。该模型综合了改进遗传算法、粗糙集理论和小波神经网络三种数据挖掘技术。建模阶段分为离散化、属性约简和训练三个步骤。在离散化的过程中,采用了改进的遗传算法,保证了系统分类能力,且使断点数目最少;属性约简中采用了粗糙集理论,选择对交通流预测密切相关的属性,加速了小波神经网络的预测速度并使其结构简化;训练中利用了小波变换非线性特性,采用经过属性约简后的数据对小波神经网络进行训练,从而获得短时预测模型。为验证模型的有效性,进行了对比测试,分析结果证实了该预测模型比传统方法具有更高的精度和速度,为交通流的准确实时预测提供了一种新的思路。     

基于RS-MSET的电站风机振动预测研究

故障预测技术是在数据预测技术和故障诊断技术基础上形成的综合技术,即先预测后诊断,因此,准确建立预测模型至关重要。电站风机作为电站的关键辅机之一,它的正常运行是电站正常工作的重要保障。MSET是一种非参数建模方法,它利用数据之间的耦合关系对模型进行预测。本文选择粗糙集属性约简简化MSET模型的数据集,得到简明的属性集。将MSET与粗糙集相结合对电站风机轴承振动进行预测,便于提早发现风机运行发展趋势,及时处理,减少由于风机突发故障引起的非计划停机或者严重事故,对现场运行具有重要意义。     

基于级联粗糙集的数控机床智能诊断方法的研究

采用级联粗糙集进行数控机床故障诊断.以数控机床主轴、进给和刀库各部件振动信号幅值为条件属性,进行第一级粗糙集决策并诊断出主轴故障;进而通过主轴的转频、振动幅值、高频成分的能量及频率分布情况为条件属性,进行第二级粗糙集决策并诊断出产生故障的具体原因.级联粗糙集分析方法减小了由条件属性较多导致决策精度变差的可能性,提高了数控机床智能诊断的精度.