可拓模式识别方法研究综述

介绍了基于可拓理论中物元模型的可拓模式识别方法的基本模型,分析了可拓模式识别方法的特点,总结了该方法在实际应用中模型改进、距及关联函数拓展以及特征权重计算方法优化等方面的研究进展,指出了有待进一步研究的问题.     

可拓诊断算法及其应用研究

针对传统故障诊断方法存在知识库维护困难、模型复杂、计算量大的缺点,提出了一种基于可拓理论的故障诊断方法.该方法应用物元概念建立了故障诊断对象定性描述的物元模型,利用关联函数定量计算待测对象对于每一种故障模式的关联程度,进而判断可能的故障模式,同时给出了可拓诊断算法的详细流程并验证了可拓诊断方法的有效性.实验结果表明,基于可拓集的故障诊断算法模型简单,诊断结果准确,可以在实际应用中发挥积极作用.     

可拓神经网络模型的设计与实现

为解决BP神经网络模式识别时训练准则和分类准则不一致的问题,采用可拓学的扩缩变换,通过在输出空间中用一个特定区域(称作教师区域)来代替教师信号,极大地提高了可拓神经网络模型的训练速度,同时彻底解决网络训练和实际分类准则不一致的问题.计算实例表明,可拓神经网络是一个有效的模式识别工具.     

可拓免疫算法在汽轮机故障诊断中的应用

为了解决汽轮机的各种故障问题,一种新的可拓免疫算法被提出来对汽轮机各种故障进行诊断.该方法利用可拓学能同时定量和定性描述系统行为的特点,结合免疫系统的学习机制和否定选择机理,将故障的特征利用可拓学的物元进行描述,建立B细胞探测器物元和抗原物元.根据故障样本数据,利用免疫系统自己-非己识别机理训练产生B细胞探测器,其B细胞探测器与抗原物元的亲和度,采用可拓学中的关联函数作为度量函数.对产生的探测器利用样本数据进行检测.该方法在对汽轮发电机组进行故障诊断时,正确地识别出了故障成份,证明是有效的.并给出了进一步研究的方向.     

基于数学形态学和分形理论的电缆局放识别

为解决电缆附件绝缘缺陷故障类型识别过程复杂、特征选择冗余问题,提出了一种直接利用含噪局部放电信号进行绝缘故障识别的方法。选取3个工频周期内的含噪局放信号作为一个样本,首先采用数学形态学滤波技术进行放电脉冲提取,获得平均放电量和放电次数两个统计特征;利用Hurst指数对局放信号分形性进行判断,若条件满足,直接求取其盒维数作为一个分形特征;最后将3个特征导入可拓神经网络进行模式识别,验证该方法的可行性和有效性。结果表明:平均放电量、放电次数和盒维数3个特征具有较强的可分性,解决了特征选择冗余问题;可拓神经网络能较好地识别出不同类型的绝缘缺陷,识别率高于基于支持向量机和BP神经网络的同类方法。     

基于阴影集数据选择的可拓神经网络性能改进

为了改进可拓神经网络的性能,提出一种基于阴影集的数据选择方法.通过该方法获取用于训练可拓神经网络的训练样本,进而改进可拓神经网络的性能.针对可拓神经网络的特点,选择核数据和边界数据作为可拓神经网络的训练样本;利用基于阴影集的数据选择方法,可以自动获取核数据和边界数据.实验结果表明,与传统可拓神经网络相比,改进的可拓神经网络不仅节约了训练时间,而且网络的泛化能力和分类识别准确度得到了有效提高.     

基于可拓神经网络的变压器故障诊断

针对BP神经在变压器故障诊断中用于模式识别时,存在训练准则和分类准则不一致而导致的样本识别率降低和网络训练速度缓慢的问题,采用了可拓学的扩缩变换,通过在输出空间中用一个特定的区域（称作教师区域）来代替教师信号,然后将可拓神经网络用于变压器故障诊断中。通过实例证明,可拓神经网络模型的训练速度有了极大提高．模式识别问题得到彻底解决。     

一种新的基于模型和参数估计的过程故障诊断

提出了一种故障特征化的方法和基于距离分类的故障模式识别方法，既利用参数估计拓展了模式识别的特征空间，又避免了基于模型故障诊断方法求解非线性特征方程ｐ＝ｆ（θ）的困难，提高了故障诊断定位能力。     

基于可拓重用的液压挖掘机结构性能方案设计

针对基于实例推理(CBR)重用技术的形式化表示及推理方法的局限性,基于可拓设计的物元理论, 采用基于CBR的可拓重用方法建立产品设计实例库,采用可拓区间距的检索算法及定性和定量相结合的推理方法, 获取相似设计方案实例. 研究了基于可拓集合方法的数据挖掘技术,采用一种改进的FP-growth关联规则算法,应用可拓变换方法对产品方案设计进行知识规则挖掘,支持产品方案设计过程的适应性修改.建立方案设计区间多属性灰数关联评价模型, 优选最佳方案设计.以液压挖掘机结构方案设计为例,利用VC++和SQL开发液压挖掘机结构方案设计及评价系统, 结果验证可拓重用方法的有效性和可操作性．     

预防客户流失的可拓转化策略研究

有效的策略获取是决策科学研究的重要内容,可拓策略生成方法作为解决矛盾问题的重要方法,是可拓工程研究的重点之一.随着信息技术的发展,从数据中通过挖掘获取策略成为一条新的路径.在分析现有分类方法的基础上,提出了一种基于决策树分类规则的可拓策略获取方法,该方法利用可拓集合和可拓变换理论,对决策树规则进行二次挖掘和可拓变换,从中获取“不行变行,不是变是”的策略,为制定预防客户流失的转化措施提供有针对性的决策参考.实践证明,该方法可操作性强,对其它的可拓策略获取方法的研究也具有参考价值.     

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．     

基于RS-RBF的燃气轮机控制系统传感器故障诊断研究

燃气轮机控制系统在电厂安全运行中起到重要作用,而传感器作为控制系统中的测量信号装置,其安全性至关重要,因此开展对燃气轮机控制系统传感器的故障诊断研究具有重要意义。在传感器故障诊断中需要从故障信息中提取出有效的诊断规则。为了解决这一问题提出了一种改进离散化方法对数据进行预处理,结合粗糙集(RS)和径向基(RBF)神经网络对传感器进行故障诊断研究。实验结果表明,该方法减少了燃气轮机控制系统传感器故障类型的误判率。     

基于粗糙集理论的数控机床智能故障诊断研究

面向数控机床智能化发展需求,提出了基于数据挖掘技术的智能故障诊断方法.建立机床智能诊断单元的系统框架,框架由状态监控及特征信号采集、历史故障数据分析及诊断规则获取、故障推理机制3个功能模块组成.重点研究诊断规则的获取技术,提出了基于粗糙集理论的故障诊断决策规则生成算法.算法充分利用信息决策系统的特性,通过简化对不必要属性和核心属性的分析,并引入回溯思想计算约简集,有效降低了属性集约简的计算复杂度,提高规则求取效率.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制.实例研究证明该方法可行.     

基于混合数据挖掘方法的配电网故障诊断技术

针对单一数据挖掘方法在配电网故障诊断中存在的一些缺陷,提出一种基于混合数据挖掘方法的新型配电网故障诊断技术。首先利用粗糙集理论对原始故障数据进行约简,形成精简的规则集,然后利用神经网络调用最简规则集进行学习训练,具有学习训练时间短、诊断准确度高等特点.实例验证了该方法的有效性.     

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。     

基于双向推理的序贯性故障诊断技术

应用人工智能的推理方法,从部分征兆集的扩展出发,研究了基于部分征兆集的故障诊断理论.描述了序贯性故障诊断的具体算法.建立了部分征兆集的诊断数学模型.最后应用实例对其故障诊断过程和推理过程进行了详细的分析,这种方法对提高复杂设备故障诊断的准确性和效率具有重要的意义.     

基于模糊聚类法的神经网络变压器故障诊断系统

在变压器故障诊断中,针对样本中可能存在的孤立样本以及样本分布的不均匀性,导致神经网络整体性能下降,训练和测试效率降低的情况,设计了利用模糊聚类法对样本进行预先处理,然后再应用神经网络进行训练和测试的诊断系统.从仿真结果可以看出,该诊断系统较样本未处理而直接应用于神经网络诊断系统的诊断性能有大幅度的提高.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

最大概率方法在伺服系统故障诊断上的应用

为了解决实际控制系统中仅通过系统的故障现象难以确定系统故障元的难题,采用基于模糊识别和故障诊断理论的最大概率法,该方法仅仅依靠经验和统计数据,在外部故障现象和系统故障元之间建立模糊查询关系,从这一关系中可以获得最大故障概率点.将一个标准模糊关系矩阵作为数据库存储在计算机中,并给出了一个系统故障诊断的实验结果.通过以上方法,只要对系统的重要参数进行在线采集和分析,当发生故障时,就可以给出可能的故障元的故障概率,并发出警报.     

基于支持向量机的网络故障在线诊断方法研究

介绍了网络故障诊断的发展趋势和支持向量机的基本原理,采用一种改进的支持向量机用于网络故障的在线诊断和分析,并且以实验网中采集的数据进行了实验,实验表明该方法能够快速准确地在线诊断网络故障,为网络故障在线诊断向智能化方向发展提供了新的途径.