基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

机械故障诊断的神经网络技术

首先论述各种状态信息和设备状态之间的对应关系，即模式分类的重要性，然后通过学习，建立故障诊断的神经网络模型，并应用于大型旋转机械的故障诊断，实验研究表明，神经网络能够较好表达训练样本要求的决策区域，具有较强的分类能力，利用机械振动特征信息进行训练的网络对大型旋转机械个故障有较好的联想能力，其识别效果令人满意，投入现场应用是可行的。     

基于粗糙集—神经网络的三相SPWM逆变电路故障诊断研究

以三相SPWM逆变电路为研究对象，利用MATLAB仿真软件建立故障仿真模型。针对故障诊断中冗余及不完整的信息常使诊断规则误报、漏报的现象，采用粗糙集-神经网络对三相逆变电路进行故障诊断，优化了神经网络结构，提高诊断速度。仿真实验表明该方法取得了良好的故障诊断效果。     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

弹性BP神经网络的旋转机械故障诊断

针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种resilient backpropagation（RPROP）的改进BP网络。RPROP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系，经改进算法训练的网络适合旋转机械故障诊断。     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于Spiking神经网络的机械臂故障诊断

因为Spiking神经网络(Spiking neural networks, SNNs)能同时传递时空信息,SNNs包含优于传统神经网络的许多特性,因而更适用于动态时序信号的分析。碰撞和受阻是机械臂在靠近抓取位置时常见的两种故障。为区别此两种故障状态与正常工作状态,提出一种基于SNNs的新型机械臂故障诊断方法。讨论所提出的SNNs故障诊断方法的体系结构,比较了当SNNs故障诊断方法选用不同Spiking神经网络拓扑结构和不同参数时的诊断结果。试验结果表明所提出的基于Spiking神经网络的机械臂故障诊断方法是有效的。该方法有助于机械臂故障的正确诊断,并且对平稳安全的生产具有重要意义。     

基于Rough set理论的无线传感器网络节点故障

提出了一种无线传感器网络（WSN）节点故障诊断的新方法，首先基于粗糙集理论中改进的可辨识矩阵算法得到故障诊断决策的属性约简；然后通过属性匹配的故障分类算法，建立一套WSN节点故障诊断方法，对WSN节点的各个模块分别进行具体的故障诊断和定位. 仿真实验表明，该方法在WSN节点故障诊断时通信代价小、能量消耗低、诊断准确率高，因而具有在能量有限的WSN节点中应用的可能性.     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。     

基于粗糙集配电网故障定位系统

针对配电网复杂线路,根据故障投诉电话信息构建的故障定位决策表,运用粗糙集理论对决策表进行化简,导出配电网故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性,同时,也能解决故障投诉电话信息不完备情况下的故障定位问题.通过仿真算例表明,该方法简单、可行、定位快速、准确.     

粗集理论在车辆传动系故障诊断中的应用

用粗集的方法对车辆动力及传动系统的故障数据进行分析处理 ,通过计算属性的重要性和依赖度 ,从而获得最小的有效故障特征参数向量 ,使得车辆故障的快速实时诊断成为可能 .并通过计算决策的协调度来完成多决策信息的故障诊断 .结果表明 ,粗集方法在车辆故障诊断这一领域有着广泛的应用和其他方法无法替代的优越性     

基于粗糙集和ANFIS相结合的配电网故障诊断方法

为了提高配电网故障诊断的准确性和效率,提出了将粗糙集与自适应神经网络模糊系统(adaptive neuro-fuzzy inference system,ANFIS)相结合构建粗糙集和神经网络的智能混合诊断系统,以充分利用粗糙集理论对知识的约简能力和神经网络的容错学习能力.通过粗糙集理论中的信息熵概念对诊断系统输入变量进行合理选择,即选取与故障诊断信息相关性大的参数作为输入,然后利用ANFIS进行建模和参数辨识,并通过训练样本进行学习训练,这样既减少了神经网络的学习训练时间,又提高了诊断的准确度.用该方法对某一实际配电网进行了故障诊断,结果表明:该方法计算速度快,具有良好的容错性能和在线故障诊断潜力.     

基于粗糙神经网络的歼击机操纵面智能故障诊断

提出了一种基于粗糙神经网络的歼击机操纵面故障诊断方法．给出并证明了可利用粗集方法对故障信息进行快速特征提取的方法，用其作为神经网络的前置系统进行信息预处理，减少了所需样本数目，从而简化了神经网络结构，减少了网络训练时间，并且充分利用了神经网络容错及抗干扰能力，有效地降低了故障诊断中的误报率和漏报率．该方法可以进行组合故障的诊断，且具有较好的鲁棒性．仿真实验说明了该方法的有效性和实用性．     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。