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MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.     

RS-CSA在网络故障诊断中的算法研究

针对当今网络故障诊断所存在的弊端,当发生故障时难以满足快而准的要求,误诊、漏诊率颇高,诊断数据量大,属性选取具有主观性,学习、泛化能力欠缺,故此结合粗糙集(RS)及克隆选择算法(CSA)提出一种智能化诊断方法(RS-CSA)。首先利用RS对故障样本进行预处理,求出其约简后最小规则集及客观属性权重,然后用改进的CSA构造诊断器并对待诊断样本予以诊断、学习。经实验验证其所提出的算法优于传统诊断技术,有一定的理论及实用价值。     

基于改进粒子群优化算法的提升机制动系统故障诊断

矿井提升机制动系统运行的可靠性直接关系到井下工作人员的安全,为了提高其故障诊断的准确度,提出了一种改进粒子群算法优化RBF神经网络的诊断方法,建立了以提升机制动系统的故障特征参数为输入,并以制动系统的几种主要故障类型为输出的故障诊断模型.鉴于遗传算法具有较强全局收敛性,将遗传算法中的交叉、变异的思想引入到粒子群算法中,并用其优化RBF神经网络的隐含层参数.仿真结果表明,改进后的粒子群诊断算法改善了提升机制动系统故障诊断的速度和精度.     

粗糙集意义下的一种RBF神经网络设计方法

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.     

RBF神经网络在水轮发电机故障诊断中的应用

研究发轮电机故障准确诊断对水电站正常运行有着重要意义.由于水轮发电机是将水动能转换为电能,结构复杂,传统故障诊断方法难以解决水轮发电机的高维、非线性和不确定输出等问题,故障诊断准确率低,不利于实时诊断.为了实时进行发电机故障诊断,保证系统安全性能,提出一种改进的神经网络故障模式分类算法.首先采用粒子群优化算法对基本RBF神经网络进行优化和改正,提高网络学习性能,然后用改进算法对水轮发电机故障进行故障诊断.对水轮电机振动数据进行测试实验,结果表明算法提高了水轮发电机故障诊断速度和准确率,结构简单,可以为水轮发电机故障实时识别提供科学依据.     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型;该算法融合了RBF神经网络的故障检测和电流自适应保护;首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护;在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断;实验表明,该算法较大地提高了断路器智能化管理水平。     

基于PCA和RBF网络的减速箱运行状态诊断技术

针对减速箱运行状态和特征参数之间存在的复杂非线性关系,提出了基于主成分分析的RBF神经网络减速箱运行状态诊断方法.该方法用主成分分析方法将高维相关特征参数转化为低维相互独立的特征参数,在此基础上建立了RBF网络分类器,并用该网络对某汽轮机减速箱的运行状态进行识别.理论分析和实验结果表明,基于PCA和RBF网络方法的减速箱运行状态诊断技术具有模型简单,检测速度快等优点,可以在实际应用中发挥有效作用.     

神经网络在网络故障诊断中的应用研究

研究保护网络的安全性,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.为保证对故障实时和精确诊断,可以综合利用神经网络方法和粗糙集理论,提出了RSNN算法,可实现不一致情况下的规则获取和学习样本的净化处理.算法具有简化样本、适应性强和容错性高等优点,克服了传统神经网络易陷入局部最优值的缺陷,能够有效消除网络故障诊断中噪声或不相容的信息.利用上述改进方法进行仿真,结果表明,改进方法与同类的其他方法相比,提高了诊断准确率和诊断速度,为实际应用提供了依据,具有一定的价值.     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

Rough set-based heuristic hybrid recognizer and its application in fault diagnosis

Rough set theory (RS) has been a topic of general interest in the field of knowledge discovery and pattern recognition. Machine learning algorithms are known to degrade in performance when faced with many features (sometimes attributes) that are not necessary for rule discovery. Many methods for selecting a subset of features have been proposed. However, only one method cannot handle the complex system with many attributes or features, so a hybrid mechanism is proposed based on rough set integrating artificial neural network (Rough-ANN) for feature selection in pattern recognition. RS-based attributes reduction as the preprocessor can decrease the inputs of the NN and improve the speed of training. So the sensitivity of rough set to noise can be avoided and the system’s robustness is to be improved. A RS-based heuristic algorithm is proposed for feature selection. The approach can select an optimal subset of features quickly and effectively from a large database with a lot of features. Moreover, the validity of the proposed hybrid recognizer and solution is verified by the application of practical experiments and fault diagnosis in industrial process.     

粗糙集和主元分析在基于神经网络的模拟电路故障诊断中的应用

针对基于神经网络的模拟电路故障诊断中,故障特征集维数过高带来的诊断难点,提出了利用粗糙集和主元分析法对故障特征集进行预处理。粗糙集对故障诊断决策表进行属性约简,主元分析进行数据压缩及特征提取。试验仿真表明,对预处理后的数据进行识别,简化了神经网络结构,可有效提高网络的训练速度与诊断效率。     

基于粗糙集和神经网络的密闭鼓风炉故障诊断

针对密闭鼓风炉过程机理的复杂性及过程信息的不确定性,研究了基于粗糙集(RS)与神经网络相结合的故障诊断方法。采用自组织映射神经网络(SOM)和条件属性依赖度相结合的方法,对连续的样本数据进行离散化,应用基于专家经验与条件属性依赖度相结合的属性重要度计算方法进行启发式RS约简,并把约简结果作为BP神经网络的输入。实验结果表明,采用该方法不仅优化了神经网络的拓扑结构,降低了神经网络的训练时间,同时大大提高了学习速度和故障诊断的准确率。     

基于神经网络观测器的飞行器传感器故障检测

为了避免传感器故障对飞控系统的影响,实现传感器故障的快速检测与隔离,提出了一种基于神经网络观测器(NNOB)的传感器故障检测方法。在建立四旋翼飞行器姿态故障模型的基础上,利用非线性观测器得到的期望输出和传感器测量值设计基于神经网络(NN)的传感器故障观测器,利用扩展卡尔曼滤波器(EKF)更新神经网络的权值参数,通过Lyapunov理论证明权值参数更新的收敛性,最终构建出一种基于神经网络观测器的传感器故障检测系统。数值仿真实验结果表明,与现有神经网络故障检测方法相比,所提方法具有更高的故障检出率与更好的跟踪性能。     

Model‐based fault detection and isolation method using ART2 neural network

This article presents a model‐based fault diagnosis method to detect and isolate faults in the robot arm control system. The proposed algorithm is composed functionally of three main parts: parameter estimation, fault detection, and isolation. When a change in the system occurs, the errors between the system output and the estimated output cross a predetermined threshold, and once a fault in the system is detected, the estimated parameters are transferred to the fault classifier by the adaptive resonance theory 2 neural network (ART2 NN) with uneven vigilance parameters for fault isolation. The simulation results show the effectiveness of the proposed ART2 NN–based fault diagnosis method. © 2003 Wiley Periodicals, Inc.     

基于RS-CSA-ELM的WSN节点故障诊断

为及时发现WSN节点故障隐患,准确掌握WSN运行状态,本文利用粗糙集理论属性约简算法(简称RS)对WSN节点故障属性进行约简,以最优的故障属性决策表重构训练样本数据集,作为极限学习机(Extreme Learning Machine,ELM)神经网络的输入,建立一个数据驱动的WSN节点故障断模型.采用乌鸦搜索算法(Cr...     

基于粗糙集和神经网络的上海最低工资标准研究

介绍了粗糙集基本理论和基于粗糙集的神经网络建模,根据粗糙集理论的属性约简步骤,提出了融合粗糙集对原有的神经网络模型加以改进的分析研究方法,并将此方法应用于对上海最低工资标准的分析研究,给出了应用此方法进行实证研究的过程和分析结果,并给出了用约简后的属性进行学习过程时的误差分析曲线.旨在保留重要信息的前提下,消除多余的属性数据,提高仿真的精度和速度,从而更好地为政府制定相应决策,提供更科学合理的依据.     

基于GA改进DHMM和KPCA-RS的滚动轴承智能诊断方法研究

为实现滚动轴承故障智能诊断,提出了一种基于核主元分析法(KPCA)、粗糙集(RS)和遗传算法(GA)改进离散隐马尔科夫模型(DHMM)的智能诊断方法。通过使用混合核函数的KPCA和RS对时域、频域参数进行约简,构造敏感性高、稳定性强,并能准确表征轴承状态的特征参数矩阵。应用GA优化了DHMM,克服了DHMM训练算法容易陷入局部极小的缺点。最后应用GA优化的DHMM训练算法得到的滚动轴承各状态下的DHMM,并通过比较测试样本在各DHMM下的对数似然概率,实现了轴承故障类型的有效识别。实验结果表明,该方法可以有效地识别滚动轴承的状态,具有较强的适用性。     

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.