基于分形盒维数串联电弧故障诊断技术研究

通过搭建串联故障电弧实验平台,进行多种类型负载实验,对其正常工作和发生串联电弧故障时的电流信号进行分析,提出了一种基于分形盒维数的串联故障电弧诊断方法。进一步研究了不同信噪比下分形盒维数的计算误差,分析了分形盒维数的抗噪性能,同时计算了不同负载在正常工作和发生串联电弧故障下分形盒维数的参考区间。实验证明,基于分形盒维数的故障诊断方法能够准确辨别出负载的串联电弧故障,具有较好的通用性。     

基于多重分形与SVM的异步电动机轴承故障诊断

针对异步电动机轴承的故障诊断问题,提出一种基于多重分形与支持向量机(SVM,support vector machine)相结合的故障诊断方法.根据轴承振动信号的非线性、非平稳特性,利用多重分形方法对信号进行分析.计算广义维数、极大值、谱宽度、偏斜度等参数,将其作为故障特征向量输入SVM中.利用凯斯西储大学的实验数据对诊断方法进行验证,将获得的多重分形参数输入二叉树SVM完成故障的模式识别.结果表明多重分形与二叉树SVM相结合的诊断方法可行性好,诊断精度高.     

基于支持向量机的模拟电路故障诊断

针对模拟电路的固有复杂性及其传统故障检测方法存在延时大和正确识别率低的问题,提出基于最小二乘支持向量机和Volterra级数的故障诊断方法。采用Volterra级数频域核对电路故障特征进行提取,利用最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,该方法与BP神经网络相比提高了系统故障辨识能力与系统故障诊断速度。     

基于EEMD与矩阵分形的自动机故障诊断方法

针对自动机振动响应信号非线性、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各种工况信号采用EEMD分解的方法对其进行分解,通过对分解得到的固有模态函数(IMF)分量信号进行广义维数计算,得到每个工况广义维数分形矩阵,发现不同工况下的分形矩阵有较大差别。通过计算待检测信号与样本信号之间的的相关系数,采用折线图进行直观比较,确定待检测信号的故障类别。验证了该方法能有效地应用在自动机故障诊断中。     

基于Volterra频域核辨识的非线性模拟电路故障诊断

基于Volterra级数时域频域混合模型,提出了辨识非线性模拟电路频域核的故障诊断方法.利用混合模型辨识算法和范德蒙特法估计各种故障状态下电路响应的前3阶频域核,提取故障特征并与相应的故障模式一起构成特征样本集,借助于支持向量机多分类器进行分类识别,实现非线性模拟电路的故障诊断.阐述了诊断原理及诊断步骤,并给出了诊断实例.仿真结果表明,该方法的故障识别率较高,便于计算机计算.     

基于粗糙度的一种分形维数计算方法

在股票市场中,计算分形维数有助于投资者把握股市的相对复杂性,分析股市的动向或趋势,利用一种新的属性选择分类标准——集合分类粗糙度,并结合粗糙集中决策表的数据离散化方法,针对计算股票市场中的股票价格的分形维数问题,选用香港恒生指数,把开盘价、最高价、最低价、收盘价视为条件属性,交易量视为决策属性,在不影响分类结果的前提下,得出：不同的证券市场数据,应选择不同的属性指标计算分形维数。该方法是可行的、有效的,从而为分形维数的计算,选择合适的属性提供了一条新的途径。     

基于粗糙度的一种分形维数计算方法

在股票市场中,计算分形维数有助于投资者把握股市的相对复杂性,分析股市的动向或趋势,利用一种新的属性选择分类标准--集合分类粗糙度,并结合粗糙集中决策表的数据离散化方法,针对计算股票市场中的股票价格的分形维数问题,选用香港恒生指数,把开盘价、最高价、最低价、收盘价视为条件属性,交易量视为决策属性,在不影响分类结果的前提下,得出:不同的证券市场数据,应选择不同的属性指标计算分形维数.该方法是可行的、有效的,从而为分形维数的计算,选择合适的属性提供了一条新的途径.     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。     

基于分形维数的音乐自动分类方法

音乐的自动分类是现代检索技术的一个研究内容,也是音乐可视化研究中亟待解决的问题。近年来,音乐的分形性质已得到了广泛的研究。本文是从分形的角度对音乐的自动分类问题进行研究,提出了一种基于分形维数的音乐自动分类方法:通过对不同风格音乐的分形维数的计算与比较,确定音乐分类的范围指标,然后利用此指标作为依据对音乐进行自动分类。本文通过实验证明此方法具有使用简单、高效和高准确率的特点。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

A fault diagnosis method of Smart Grid based on rough sets combined with genetic algorithm and tabu search

Most of the existing methods of fault diagnosis in Smart Grid focus primarily on the information of the protective relays and switches. There is still some incomplete or uncertain information in the process of receiving data. Usually, relying only on the information may obtain wrong conclusions. Large numbers of methods have been applied in the fault diagnosis of power system. An improving accuracy of fault diagnosis method in Smart Grid is put forward in this paper using rough sets combined with genetic algorithm (GA) and Tabu search (TS). The reduction in continuous attributes and their value reduction are the major application of rough sets. The proposed algorithm can combine the parallel global searching capability of genetic algorithm with the local searching ability of Tabu search and significantly improve the efficiency of execution and ensure the optimal result. The effectiveness of the proposed algorithm has been demonstrated using Changchun south substation and its distribution grid. To validate the proposed approach adequately, simulation studies have also been carried out on the simulated Smart Grid model. A series of tests are conducted toward three fault categories: the single faults, the multiple faults, and the loss information faults. All the results demonstrate that the proposed method in this paper is better than the preceding algorithms.     

基于粗糙集理论的电力变压器故障诊断方法研究

为了能从完备信息中得出正确的诊断结论,并能从不完整的信息中得出满意的诊断结果,提高故障识别率,提出一种基于粗糙集理论的电力变压器故障诊断方法,给出了粗糙集的基本概念、约简计算方法和约简过程,并给出了故障诊断原理和诊断实例．实验结果表明,该方法是有效的,达到了预期目的,为电力变压器故障诊断提供了新的思路,对其他电气设备的故障诊断具有参考价值。     

基于粗糙集和贝叶斯分类器的变电站故障诊断

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和贝叶斯分类器的变电站故障诊断方法.首先利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行挖掘,实行属性优选,再运用朴素贝叶斯分类器对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示了该方法能有效地缩小问题求解规模和较强的抗干扰能力,是一种有效的变电站故障诊断方法.     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

基于粗糙集的故障诊断特征提取

故障的特征提取对于进行准确可靠的诊断非常重要。而实际的故障诊断数据样本的分类边界常常是不确定的,并且故障与征兆之间的关系往往也是不确定的。粗糙集理论是处理模糊和不确定性问题的新的数学工具。论文将粗糙集理论引入到故障诊断特征提取,提出了一种基于粗糙集的故障诊断特征提取方法。并通过两个故障诊断实例对该方法进行了验证。结果表明:在有效地保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征,从而为粗糙集在故障诊断中的深入应用打下了基础。     

基于粗糙集和神经网络的柱塞泵故障诊断

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于粗糙集与神经网络相结合的故障诊断方法,并详细阐述了基于粗糙集与神经网络的轴向柱塞泵故障诊断系统的设计步骤和实现技术。实验结果表明,该方法不仅能优化神经网络的拓扑结构,同时能有效提高轴向柱塞泵故障诊断的精度和效率。     

基于粗糙神经网络的传感器网络故障诊断

为了克服大量信息冗余和能量有限给无线传感器网络故障诊断带来的困难,提出一种将粗糙集与神经网络集成相结合的智能故障诊断方法(RS-ANNE)。该方法首先利用粗糙集理论的属性约简技术,提取诊断故障贡献最大的最小故障诊断特征集合,然后根据最小故障诊断特征确定神经网络的初始拓扑结构,建立故障特征与故障之间的映射关系,最后通过子网表决得到最终诊断结果。实验结果表明,RS-ANNE诊断方法诊断正确率为95.67%,与ANNE方法相比计算量减小22.98%,诊断正确率提高13.88%。     

A rough set-based fault ranking prototype system for fault diagnosis

Fault diagnosis is a complex and difficult problem that concerns effective decision-making. Carrying out timely system diagnosis whenever a fault symptom is detected would help to reduce system down time and improve the overall productivity. Due to the knowledge and experience intensive nature of fault diagnosis, the diagnostic result very much depends on the preference of the decision makers on the hidden relations between possible faults and the presented symptom. In other words, fault diagnosis is to rank the possible faults accordingly to give the engineer a practical priority to carry out the maintenance work in an efficient and orderly manner. This paper presents a rough set-based prototype system that aims at ranking the possible faults for fault diagnosis. The novel approach engages rough theory as a knowledge extraction tool to work on the past diagnostic records, which is registered in a pair-wise comparison table. It attempts to extract a set of minimal diagnostic rules encoding the preference pattern of decision-making by domain experts. By means of the knowledge acquired, the ordering of possible faults for failure symptom can then be determined. The prototype system also incorporates a self-learning ability to accumulate the diagnostic knowledge. A case study is used to illustrate the functionality of the developed prototype. Result shows that the ranking outcome of the possible faults is reasonable and sensible.