基于KNE-BPNN的电务设备故障预测

针对铁路电务设备故障频发、运行效率低且无有效故障预测方法等现实问题,提出一种基于K-均值—邻域近似条件熵与BP神经网络（KNE-BPNN）的电务设备故障预测模型。首先,采用基于K-均值聚类的样例约简算法约简设备故障决策表中的冗余样例;其次,运用邻域近似条件熵属性约简方法对样例约简后故障决策表中的非必要属性进行约简;最后,使用经过样例和属性约简后的样本集训练BP神经网络并进行模型预测,直到模型输出结果满足预设条件为止。实验结果表明KNE-BPNN故障预测模型的预测精度和泛化性能均满足电务设备管理的实际需求。     

基于粗集的遗传挖掘在故障诊断中的应用研究

介绍应用粗集理论和遗传算法相结合进行数据挖掘的方法.利用目前企业采集到的关键设备运行状态的大量数据,首先运用粗集理论的属性约简消去冗余的属性,然后以约简后的数据作为样本训练集,应用优化改进的遗传算法建立分类模型.根据构建的分类模型,可以发现故障设备运行的内在规律,快速对未知故障设备进行归类,从而为故障诊断与故障预测提供决策依据.     

用于铁道牵引供电系统故障诊断的数据仓库挖掘技术

利用Rough Set理论处理不分明关系的能力，提出了数据仓库挖掘的原理和方法，并对大量的实时与仿真数据集进行了约简，挖掘出系统参数值与各类故障之间的相互关系，抽取其隐含的关联规则，对实现铁道牵引供电系统性能状态的实时自动监测和故障诊断具有重要的参考价值。     

复杂航空电子装备故障诊断规则提取

针对复杂航空电子装备故障样本不足的问题,为简化测试过程、提高故障诊断效率,提出了一种基于粗糙集的故障诊断规则提取方法;该方法构建了故障诊断决策信息系统,通过构造故障诊断决策信息系统的决策辨识矩阵和决策辨识函数,计算测试参数集的所有约简,从而提取故障诊断规则;以某型雷达系统为例,采用上述方法进行规则提取,将故障诊断所需测试参数从9个约简为3个;研究结果表明,该方法能在故障样本较少的条件下有效约简测试参数集,提取故障诊断规则,有利于简化测试过程,提高诊断效率.     

电气化铁道牵引供电系统电压损失补偿方法研究

为解决现有电压损失补偿方法存在的补偿效果、效率不佳的问题，提出电气化铁道牵引供电系统电压损失补偿优化方法。根据牵引供电系统的供电方式和硬件设备的空间关系，构建电气化铁道牵引供电系统数学模型。在该模型下，模拟供电系统负荷过程。通过计算供电系统电压损失量，确定电压的待补偿值，利用安装的静态无功补偿器，实现供电系统的电压损失补偿。经过补偿效果测试实验得出结论：在三种不同的牵引工况下，应用设计的损失补偿方法能够将供电系统输出电压的畸变率控制在1%以下，且补偿时间开销低于30 s,即设计电压损失补偿方法在效果和效率两个方面均具有明显优势。     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

铁道信号电子设备联锁故障自动检测器的嵌入式设计

针对嵌入式铁道信号设备联锁故障诊断方法检测效率低、诊断精度低等问题,提出一种铁道信号电子设备联锁故障自动检测器的嵌入式设计方法。首先,结合嵌入式设计方法,设计信号采集器完成铁道信号电子设备状态信号的采集,设计铁道信号联锁设备故障分类器,实现对嵌入式铁道信号电子设备联锁故障信号的自动提取;然后采用EMD-ICA算法实现对信号的预处理;最后,提取故障信号高维特征,配合嵌入式硬件,获得电子设备故障特征向量,完成故障自动检测。实验结果表明,基于嵌入式的铁道信号电子设备联锁故障自动检测器,可对信号进行有效去噪,且故障诊断准确率较高,平均故障诊断时间仅为2.30 s,应用效果较好。     

一种融合粗糙集与灰模的装备故障预测方法

结合粗糙集理论和灰色系统理论对不精确信息处理的优势,文中提出一种融合粗糙集理论与GM(1,1)灰色预测模型的故障预测方法,先运用粗糙集的属性约简算法对故障诊断决策表进行约简,推出最优诊断规则,再利用GM(1,1)灰色预测模型对约简决策表中的各条件属性测试值计算得到其预测值,从而代回约简的诊断决策表进行故障预测,最后在某型机载电台装备中以某一故障为例进行应用验证,结果表明故障预测效率和精度都较高,从而为提高装备的可靠性和维修性提供依据.     

基于粗集约简的飞机发电机故障诊断决策研究

针对飞机整体驱动发电机故障诊断过程中的故障多源、诊断决策复杂的问题,从数据挖掘角度出发,引用变精度粗集模型处理诊断信息系统,利用对象集定义的二元关系和依赖空间给出了变精度粗糙集的β下近似协调集的判定定理,提出了一种决策规则中β下近似属性约简的整体驱动发电机故障诊断决策,通过实际发电机输出故障信号诊断流程约简后得到决策系统,通过粗集中右边界域的准确度和覆盖度验证该方法的有效性和小样本情况下得到决策方法的普适性。     

基于SOM-VPRS的平衡机故障诊断

针对平衡机故障的特点,采集了振动信号进行故障诊断;设计了故障信息采集系统,解决了故障信息提取困难的问题,减少了噪声信号;融合自组织(SOM)网络和变精度粗糙集(VPRS)形成了SOM-VPRS算法,实现了平衡机的故障诊断。运用SOM网络进行了连续属性的离散化,采用变精度粗糙集的近似依赖模型进行属性约简,得到故障诊断决策规则,属性约简后,属性集由20个减少为7个,规则集由70个减少为34个,计算复杂度降低;对决策规则进行了验证,诊断正确率可以达到95%以上,且模型和算法具有普遍适用性。     

冲突信息条件下的装备故障诊断方法

针对冲突信息条件下的故障诊断难题,研究了基于近似表示空间的故障诊断方法;采用冲突诊断信息系统描述冲突故障信息,并将冲突诊断信息系统转化为近似表示空间,进而对其进行属性约简;设计了基于包含度的针对完备信息对象的故障诊断方法,采用向量补齐方法设计了针对不完备信息对象的近似表示空间故障诊断方法;最后,将该方法应用于航空发动机故障诊断,验证了该方法可有效处理冲突、不完备信息,显著提高了故障诊断准确率。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

基于HMM的设备故障预测方法研究

故障预测是设备实施基于状态维修的1个重要内容,是实现真正意义上精确维修的前提和基础。隐马尔可夫模型（HMM）作为1种统计分析算法,在设备的故障诊断中获得了成功应用。但对于故障的预测,传统隐马尔可夫模型存在很多缺陷,因此研究相关的改进算法,构建了基于隐马尔可夫的故障诊断和预测框架,使设备的故障诊断和预测能够同时进行。最后通过对滚动轴承实测数据的仿真验证,表明该算法具有较高的故障识别率并且对设备的剩余寿命能进行有效的预测。     

基于关联规则的船舶供电系统故障检测方法研究

当前的船舶供电系统中,相关故障信息属性受到船舶元器件复杂度的影响,往往不完整,对该设备的故障智能检测准确性不高;关联规则在不完整信号以及弱信号处理方面有着较大优势,在充分船舶供电系统工作原理的基础上,文章通过建立故障信号关联模型,对船舶供电系统上保护器、继路器的异常信号属性建立关联规则;利用最简属性规约形成故障决策表与故障信息关联决策度进行对比,判断故障位置;实验结果表明,该故障诊断系统在船舶供电规模和相关设备保护动作不完整的环境下,故障诊断的准确率较高,满足应用需求。     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

基于粗糙集的飞机供电系统诊断规则提取

在对某型号飞机供电系统进行故障模式分析的基础上,利用粗糙集理论不需要提供待求解问题所需处理的数据集合之外的任何先验信息的特点,提出了一种诊断规则的自动获取方法,可有效解决飞机供电系统故障诊断专家系统在知识获取方面的"瓶颈".在运用粗糙集理论对故障样本集进行属性约简和值约简的过程中,本文针对"不确定测量状态"提出了改进的约简规则.通过在交流一次配电子系统上的验证分析表明,该方法具有较强地容错能力,可有效地约简知识,自动获取规则,且规则具有正确的逻辑意义.     

联合选择特征和分类器参数模型的模拟电路故障诊断

为了提高模拟电路故障诊断准确率,提出一种联合选择特征选和分类器参数模型的模拟电路故障诊断方法（Feature-Classifier）。将模拟电路故障特征子集和分类器参数编码成为粒子,然后粒子根据目标函数通过信息交流和互相协作找到最优特征子集和分类器参数,并根据最优特征子集对样本进行约简;分类器根据最优参数对约简后样本进行训练建立模拟电路故障诊断模型,并通过仿真实例对性能进行测试。结果表明,相对于其他模拟电路故障诊断方法,Feature-Classifier能够较快找到最优特征子集与分类器参数,不仅提高了模拟电路故障诊断准确率,并加快了故障诊断速度。     

航空发动机的多参数快速故障诊断模型*

为了提高诊断效率,降低故障诊断对人的过分依赖,建立了一个航空发动机故障快速诊断模型.该模型结合粗糙集和灰色理论各自特点,利用粗糙集去除特征信息中的冗余信息;再通过多参数灰色模型对约简后的信息进行快速准确的预测.仿真对比表明,该模型在不降低预测精度的情况下能显著减少计算时间,有效提高故障预测的快速性和实时性.     

铁路信号系统防护电气化干扰的措施研究

在铁路运输中,采用电力牵引可以较大地提高运输能力,能够显著地节约能源而且无环境污染。但电力牵引也给铁路信号设备带来了较大的强电干扰,若没有较先进的铁路信号系统与之配套,则电气化铁路的优势不能充分地发挥。本文从牵引供电系统和铁道信号系统两方面进行研究,得出了铁道信号系统防护电气化干扰的措施。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。