基于粗糙集-RBF神经网络的采煤机液压泵故障诊断

针对采煤机液压泵故障征兆多、故障诊断模糊性强的特点,提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法,对液压泵内泄漏故障进行诊断。运用粗糙集理论对液压泵原始故障数据集进行属性约简,去除输入冗余信息,得到最小条件属性集。根据最小条件属性集确定RBF神经网络初始拓扑结构,通过网络训练建立故障征兆和故障类别的映射关系,使用Python编程语言实现了故障诊断。试验对比表明,该方法网络结构更加简单,网络学习效率及诊断准确性更高,在采煤机液压泵中有很好的实际应用效果。     

基于粗糙集理论的人工神经网络故障诊断系统

以粗糙集理论中的信息系统属性为主要工具 ,将复杂的RBF神经网络分层约简 ,剔除其中不必要的属性 ,构建了优化的粗集 -神经网络模型。通过对实例分析 ,使用该模型可以有效地减少输入层神经元个数 ,提高神经网络模型的学习效率和诊断的准确性 ,在故障诊断中有良好的应用前景     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

基于粗糙集的装载机液压系统故障诊断专家系统知识获取研究

针对当前专家系统知识获取瓶颈的难题,提出一种基于粗糙集的装载机液压系统故障诊断专家系统知识获取模型。将装载机液压系统的故障历史数据离散化,构建故障诊断决策表,通过粗糙集数据挖掘算法获取故障诊断的最小约简属性集和潜在的诊断规则,并建立诊断规则知识库。以ZL50型装载机液压系统中的齿轮泵故障分析为例进行了验证。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

基于双论域Vague粗糙集的矿井通风机故障诊断

为有效分析矿井通风机故障诊断,利用Vague集来刻画故障类型与故障特征之间关系的不确定性,借助双论域粗糙集模型进行基于Vague集的不确定性信息系统分析,提出了双论域Vague粗糙集的概念,并建立基于双论域Vague粗糙集的矿井通风机故障诊断方法。实例分析验证了所提出故障诊断方法的合理性。     

基于粗糙集理论的机械故障诊断方法研究

机械故障诊断中存在着许多不确定性和知识冗余性,而粗糙集理论是一种新型的处理不确定性信息的数学工具,粗糙集理论提供了对机械故障进行诊断全新的有效途径。将基于可变精度粗糙集模型应用于故障诊断,同时与遗传算法相结合,在保证诊断精度大致不变的情况下对故障征兆属性化简,消除诊断规则判断条件的冗余,获取精简的规则。实例证明了基于粗糙集理论的机械故障诊断方法的可行性。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于RBF神经网络的滚动轴承故障诊断研究

介绍了RBF神经网络的模型及原理,阐述了滚动轴承故障的机理;通过滚动轴承的故障特征数据,构建的RBF神经网络,实现了轴承的智能故障诊断。     

基于变精度粗糙集的机械故障诊断方法

探讨了基于变精度粗糙集模型的故障诊断规则获取方法,该方法通过相应的变精度属性约简算法,利用变精度属性约简有效地处理带噪声的决策表,提取符合可信度要求的故障诊断规则形成规则集。此方法克服了标准粗糙集模型对数据噪声过于敏感的缺点,增强了数据分析和处理的鲁棒性。     

粗糙集与神经网络故障诊断组合方法应用

利用粗糙集理论对知识的约简能力及模糊神经网络的分类能力,构建粗糙集—神经网络故障诊断组合模型(RNN),具有良好的拓扑结构,学习速度大为提高。应用电力变压器实例验证,RNN模型诊断速度快,故障诊断正确率高。     

基于粗糙集-遗传神经网络分类器的矿井通风机故障诊断研究

针对当前矿井通风机机械故障诊断所面临的问题,提出了一种粗糙集-遗传神经网络分类器模型和它的构造方法,模型先利用粗糙集理论约简样本决策表属性,然后再利用遗传神经网络进行网络训练。通过与基本BP网络模型的对比,验证了该方法用于故障诊断的有效性。     

基于RBF神经网络的刮板输送机故障诊断

分析比较了BP神经网络和RBF神经网络在故障诊断方面的特点,以RBF神经网络为故障诊断工具,设计了刮板输送机故障诊断方案,构建了故障诊断模型,并对模型进行了样本训练。在此基础上,设计了故障诊断流程,编写了样本训练程序和基于RBF神经网络的故障诊断程序,开发了故障诊断人机界面,最终实现了刮板输送机整机在线监测和故障诊断。     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

基于粗糙集与BP神经网络的盾构机刀盘故障预测

为实现对盾构机刀盘的故障预测,提出一种基于粗糙集理论与BP神经网络相结合的盾构机刀盘故障预测法。首先应用粗糙集理论的基于动态层次聚类的离散化算法对刀盘历史数据离散化处理,然后利用改进的基于差别函数的属性约简算法约简决策表,将冗余属性从决策表中删除,把经过约简的数据作为输入端输入BP神经网络,构建故障预测模型,最后以盾构机刀盘故障预测为例进行试验验证。结果表明,该模型能有效缩短训练时间,提高预测效率,具有较高的预测精度,在实际工程应用中具有良好的应用价值。     

基于决策树优化粗糙集的设备故障诊断指标集约简的方法研究

特征指标集的约简对于机电设备运行状态准确可靠的监测是非常重要的,为此设计了一种基于粗糙集的属性约简方法。该方法首先将时域及频域信号特征作为条件属性,故障类型作为决策属性,建立故障决策表。利用决策树不纯度的减少量对决策表中的连续属性数据进行离散化处理,然后采用粗糙集对离散化后的决策表进行约简,约简后的故障规则决策表可以使设备的故障诊断变得更为简单有效。最后分别采用实验室轴承数据和矿用带式输送机轴承数据设计试验进行验证,试验结果表明,在保证设备状态监测结果可靠的情况下,该方法能够有效地对属性指标集进行约简,降低工作计算量和减少不确定因素的影响。     

基于RBF神经网络的连续采煤机故障诊断研究

为了能够提高连续采煤机故障诊断的效率和精度,深入地研究了基于改进遗传算法的RBF神经网络在其中的应用。分析了连续采煤机的主要故障类型;分别研究了RBF神经网络的基本原理和改进遗传算法的基本原理;进行了连续采煤机故障诊断的实例分析,仿真结果验证了该故障诊断技术的有效性。     

一种分块建立决策表的粗糙集理论故障诊断与决策方法

提出一种新的基于粗糙集理论的故障诊断方法．该方法的思路是首先对故障诊断系统的多个条件属性进行分块，建立分块决策表；然后根据不相容算法及粗糙集的约简理论对分块决策表进行约简；最后根据粗糙集的最小化方法求出分块的最小化的决策表，再将分块的最小化的决策表合成，建立整个系统的最小决策集．这种方法和根据粗糙集理论直接建决策表相比，主要优点是：前者决策表的规则数仅为后者的1／5，使约简工作量大大简化；约简和最小化过程简单明了、直观．在此基础上。研制开发了一种基于粗糙集理论的双局部通风机瓦斯故障诊断及其自动切换装置。并在铜川矿务局现场试验成功．     

煤层顶底板围岩稳定性分级预测的GA-RBF模型及应用

为了探讨地下工程中围岩稳定性分级情况,运用粗糙集理论(RS)中的属性约简和条件属性重要度评价,对影响煤层顶底板围岩稳定性分级的评价指标进行数据挖掘,确定影响煤层顶底板围岩分级的主要评价指标。在此基础上,利用径向基神经网络(RBF)拟合评价指标和围岩等级之间映射关系。建立围岩分级预测的遗传优化的RBF模型。将模型应用于贵州某矿山的M17-1煤层底板围岩稳定性分级。预测结果证明,遗传优化的RBF模型评价结果与围岩分级情况较为一致。     

基于RS的矿井局部通风设备故障诊断规则获取系统

为了获取矿井局部通风设备故障诊断规则,缩短故障诊断的时间,研究和开发了基于粗糙集理论的故障诊断规则获取系统。分析了矿井局部通风设备信息数据库的结构和功能,讨论了故障决策表的建立方法以及属性约简方法。实际算例表明,此系统可较好实现历史故障数据的管理和故障诊断规则获取的一体化。