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。     

基于粗糙集和神经网络的信息融合方法

在运用粗糙集理论和神经网络理论进行信息融合的基础上,分析了其各自的优势和存在的问题,设计了将两者综合的信息融合方法.该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构.利用这种方法对煤矿中各种与瓦斯危险相关的信息进行融合,以此对其瓦斯安全性进行评价.结果表明,这种方法减少了训练次数而且收敛效果比传统神经网络效果好.     

一种结合粗糙集与神经网络的多传感器信息融合算法

近年来,神经网络被广泛应用于多传感器信息融合.但是当传感器数量庞大时,过高的输入神经网络的信息维数会导致神经网络训练速度下降,甚至不收敛.针对上述问题,对传统的基于神经网络的融合算法进行了改进,利用粗糙集的冗余数据约简算法,剔除部分传感器的输入,同时将剩余的传感器信息重新组合,形成维数较小的数据分别训练,从而避免了输入数据维数过高带来的问题,较之于传统算法,算法在训练阶段的迭代次数等时间性能以及融合阶段的准确性两个方面均有所提高.     

基于粗糙集优化的信息融合故障诊断系统

针对现有的故障诊断技术在应用于电力变压器故障诊断中,存在的冗余信息过多、诊断结果不准确等不足之处,将粗糙集理论与信息融合技术相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再采用证据理论方法对预处理信息进行融合,进而进行故障模式的分类,可简化故障诊断网络规模,且相比于单一的信息融合的诊断方法,能够更快速、更精确地诊断出变压器故障类型。其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

粗糙集理论在信息融合中的应用

针对信息融合中常遇到的数据超载问题,提出采用粗糙集与神经网络结合的方法。该方法利用粗糙集理论分析数据,挑出有用属性并删除多余属性,从而减小数据集的大小,进而缩短训练时间,提高了效率,同时又不损失源数据集中包含的有用信息。     

基于神经网络信息融合的装备故障诊断

针对某型飞机视频记录系统结构复杂,故障呈现多层次、模糊性的问题,研究了基于神经网络信息融合技术进行故障诊断的方法.并以视频记录系统为对象进行了仿真分析.研究结果表明该方法故障诊断过程相对简单,诊断精度相对较高.能够降低虚警、误报、漏报等情况的发生.     

基于神经网络信息融合的智能故障诊断方法

飞行状态时的飞机舵面故障诊断系统,含有系统和测量噪声及其时变、非线性等特点,采用常规的故障诊断方法很难实现对飞机舵面故障的准确诊断和告警,为了更好的实现对飞机舵面系统的故障诊断,将神经网络信息融合的智能故障诊断方法首次运用到舵面系统故障诊断中.该智能诊断方法应用神经网络的非线性拟合能力扩展舵面相关线位移传感器测量信息,同时采用D-S算法将相关传感器的输出信息进行融合,最后信息融合诊断策略根据这些信息确定出舵面相应的故障类型,从而可以对舵面故障信号进行有效识别和诊断.建立了某机舵面系统故障诊断的数学模型,并利用该模型对提出的智能故障诊断方法进行仿真验证,最后的仿真实验结果表明:该故障诊断结构形式对于舵面常见的故障能够进行识别和告警,诊断效果令人满意.     

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-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.     

基于一种新型粗糙集神经网络的故障诊断

分析了粗糙集与神经网络各自的优缺点,结合粗糙集与神经网络提出了一种基于SOFM网络的新型粗糙集神经网络,给出了该网络的流程图,描述了系统各组成部分的工作原理。应用一实例验证了该网络在故障诊断中的有效性。结果表明,新网络较好地解决了训练样本的大小、样本质量等对人工神经网络的精度以及泛化能力有直接影响的问题,简化了神经网络的结构,缩短了训练时间,并实现了结果可视化,最后得到了故障可视拓扑映射图。     

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。