基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

基于邻域粗糙集和并行神经网络的故障诊断

针对目前使用神经网络诊断故障时出现的输入向量选择困难、网络结构复杂、对并发故障诊断效果不好等问题,提出了基于邻域粗糙集和并行神经网络的故障诊断方法;先利用邻域粗糙集对初始征兆进行约简,留下有价值的征兆作为神经网络的输入向量,然后针对每种故障类型设计一个神经网络;用多个训练好的神经网络来并行诊断故障,综合每个神经网络的结果给出最终的诊断结论;用转子实验台的实验数据对这种故障诊断方法进行验证,结果显示该方法能优化神经网络结构,且神经网络具有训练速度快、诊断正确率高的特点。     

一种相容粗糙集神经网络在某歼击机障诊断中的应用

本文介绍了粗糙集理论的基本概念,并把粗糙集理论中隶属度函数的概念运用到神经网络的设计中,建立了一种基于相容粗糙集的神经网络故障诊断系统.以某型歼击机故障诊断为例,实验仿真结果表明该方法提高了故障诊断准确率和效率.     

基于R-NN的可控硅励磁系统故障诊断

基于同步发电机可控硅励磁系统经常发生故障,提出一种基于粗糙集—神经网络(Roughset-NeuralNetwork)相结合的故障诊断方法。以励磁系统中三相桥式可控硅整流回路为核心进行故障诊断研究,对整流回路故障波形的采样数据样本信息进行预处理,通过运用粗糙集理论的知识约简方法形成故障诊断的确定性规则,从而实现故障分类;然后将其结果与故障信息中的输出样本值作为神经网络的输入,实现故障元的定位。通过计算机仿真,结果表明:该方法对三相桥式可控硅整流回路故障诊断简便准确,诊断速度快。     

基于粗糙集的容错神经网络故障诊断系统

粗糙集和神经网络在故障诊断中都得到了广泛的应用,但两者都有其局限性,同时在许多方面有其互补性,融合粗糙集和神经网络各自的优势,建立了粗糙集——客错神经网络故障诊断系统。利用粗糙集对原始数据进行简约,导出最简诊断规则,根据选择的冗余约简和最简诊断规则建立粗糙集——容错神经网络故障诊断系统。以滚动轴承故障诊断为例,仿真结果表明系统提高了故障诊断准确率和诊断速度,消除了故障诊断中的误报和漏报现象。     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

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Rough Set和禁忌神经网络的传感器节点故障诊断

针对传感器节点通常位于无人看守甚至危险恶劣的环境中因而容易出现各类故障,提出了一种基于粗糙集(Rough set,RS)和禁忌神经网络的故障诊断方法;首先,采用自组织网对属性值进行离散化,然后采用粗糙集的可辨识矩阵对属性进行约简以降低输入数据的维数,最后,通过禁忌算法对神经网络进行优化形成最终的故障诊断模型并将测试数据输入禁忌神经网络进行故障诊断;仿真实验表明,文中方法能较为精确地对传感器节点的各类故障进行诊断,具有较高的诊断精度,在迭代次数为300时,诊断误差值仅为0.01%,具有很强的可行性。     

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.     

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%。     

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。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于粗糙集和IRBF的配电网故障诊断系统

为了改进人工智能方法在配电网故障诊断系统中的应用,给出了基于粗糙集理论的IRBF神经网络的模型结构,然后利用训练好的神经网络对配电网进行故障诊断;采用VC++语言开发工具,调用Matlab神经网络工具箱建立了一个简化的故障诊断系统,并通过配电网实例验证了方法的正确性;实践证明不但提高了配电网故障诊断的容错性,使故障诊断变得更加准确有效,而且减少了神经网络样本数据,大大地减少了故障诊断过程的时间。     

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。     

高瓦斯矿井双局扇系统故障诊断方法的研究

针对现有故障诊断方法及其局限性,文章提出了基于粗糙集神经网络的故障诊断专家系统模型,并将该模型应用于高瓦斯矿井双局扇系统的故障诊断中。重点阐述了基于粗糙集神经网络的高瓦斯矿井双局扇故障诊断专家系统的结构及各功能模块的设计,讨论了知识获取模块和神经网络知识库等关键技术,最后详细给出了系统的仿真结果。     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.