基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

粗集—RBF神经网络在故障诊断中的应用

将粗糙集—RBF神经网络的故障诊断方法应用于飞机燃油系统的故障诊断,该方法是把原始数据进行属性约简,得到最小条件属性集后,输入后置RBF神经网络进行信息处理,不但能有效地简化神经网络的结构和规模,也提高了故障诊断效率。     

基于粗糙集和ANN的模拟电路故障诊断研究

针对传统故障字典法需要精确先验知识且不适合大规模故障诊断的缺点,提出了一种基于粗糙集和BP神经网络的模拟电路故障诊断新方法。首先进行样本数据采集和预处理,并使用定义的粗糙集差别矩阵算法矩阵法对数据进行属性简约,删除冗余信息,得到简约后的特征向量。然后,将简约后的特征向量作为BP神经网络的输入进行训练,最后,将训练好的BP神经网络模型用于故障诊断。仿真实验表明,文中的基于粗糙集属性简约和BP神经网络训练的故障诊断模型,具有较小的训练误差和较高的诊断精度。     

基于粗糙集与神经网络的齿轮箱故障诊断

对粗糙集的属性离散化和约简算法进行了研究,提出了一种基于粗糙集与神经网络相融合的故障诊断方法。首先提出一种优化NS断点集的方法用于离散化决策表,然后采用差别矩阵和差别函数直接求取最小属性约简集,最后采用神经网络对JZQ-250齿轮箱进行故障诊断,并比较了约简前后特征集的诊断结果,实验表明粗糙神经网络能够简化网络结构,有较强的容错和抗干扰能力,且迭代次数少,收敛速度快,诊断精度高,是一种有效的齿轮箱故障诊断方法。     

基于粗糙集-神经网络的变压器故障诊断方法

本文构建了粗糙集-神经网络故障诊断模型,用粗糙集方法约简信息,简化训练集,以减小神经网络结的规模,同时利用神经网络克服粗糙集对噪声数据敏感的影响.仿真结果表明,与该模型更能简化神经网络结构,减少网络的训练时间,提高故障诊断的准确率.     

基于级联粗糙集的数控机床智能诊断方法的研究

采用级联粗糙集进行数控机床故障诊断.以数控机床主轴、进给和刀库各部件振动信号幅值为条件属性,进行第一级粗糙集决策并诊断出主轴故障;进而通过主轴的转频、振动幅值、高频成分的能量及频率分布情况为条件属性,进行第二级粗糙集决策并诊断出产生故障的具体原因.级联粗糙集分析方法减小了由条件属性较多导致决策精度变差的可能性,提高了数控机床智能诊断的精度.     

粗糙集理论在智能故障诊断中的应用

神经网络和规则推理是智能故障诊断的两种重要方法。给出了粗糙集理论在这两种系统中的应用，粗糙集－神经网络（RNN）系统，粗糙集作为神经网络系统的预处理，仿真结果表明RNN系统提高了诊断准确率和诊断速度，粗糙集用于故障诊断专家系统的规则获取，可得出确定性规则和可能性规则。结果表明粗糙集方法能处理由于类重叠引起的样本信息不精确，不一致情况下的规则获取，消除故障诊断中的误报和漏报现象对诊断性能的影响。     

基于粗糙集的旋转机械振动故障诊断研究

振动故障是旋转机械最常见的故障,旋转机械故障诊断常用的是振动分析法.粗糙集理论是一种研究不完整数据、不精确知识的表达、学习和归纳的数学工具.基于粗糙集理论,对旋转机械的振动故障诊断决策表进行分类、约简和核集的形成,推导出最简明的决策表,从而提取故障诊断的重要属性,降低决策表的冗余性.研究表明,粗糙集理论应用于旋转机械振动故障诊断可得到更明晰的诊断规则,从而提高了故障诊断的实时性和快速性.     

粗糙集和支持向量机相整合的柴油机故障诊断算法

由于柴油发动机的结构复杂给故障诊断的研究带来了很多不便,本文基于粗糙集理论对柴油机故障诊断的决策进行属性约简,然后使用支持向量机对故障属性进行分类,从而使柴油发动机的故障诊断更加切实可靠。因此本文对粗糙集和支持向量机相整合的柴油机故障诊断算法进行浅析。     

基于广义粗糙集与神经网络集成的旋转机械故障诊断研究

故障诊断规则中判断条件的冗余、不完全和不确定性不利于实际应用。采用广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行了约简 ,得到了更为简明的最优诊断规则 ;根据约简结果 ,建立了基于神经网络的故障诊断系统 ;网络的训练对比结果表明 ,基于粗糙集理论的约简处理简化了神经网络结构 ,提高了网络的训练效率 ;以诊断实例验证了广义粗糙集理论与神经网络集成进行故障诊断的可行性     

基于粗集约简预处理的模拟电路故障诊断

基于人工神经网络的智能故障诊断系统作为人工智能技术在模拟电路故障诊断领域的应用,在实践中取得了一定的成效。但将神经网络用于电路故障诊断时,知识具有隐含性,可解释性差,且对输入数据的冗余难以约简,获得每一个训练样本都要进行一次测试或模拟计算,样本花费代价很大,而粗糙集理论作为处理不确定、不完整、不精确知识的有力工具,具有强大的知识约简和定性分析能力。因此,该文提出了对模拟电路的故障特征进行粗集约简预处理研究的智能诊断方法。并举例说明诊断系统的具体实现方法,仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,对模拟电路的故障诊断有一定的实际意义。     

粗糙集-神经网络计算机网络故障诊断方法研究

本文用粗糙神经网络进行计算机网络故障分类判断。首先用粗糙集理论对计算机网络的状态属性进行了约简,将庞大的状态属性表约简为最小属性表,然后将最小属性表作为三层前向神经网络的训练样本,构造了基于三层前向神经网络的计算机网络故障的分类判断系统。实践表明,粗糙神经网络计算机网络故障分类判断系统提高了故障诊断速度,其准确率比单独采用粗糙集方法或人工神经网络的方法都高。     

建造液压伺服系统故障诊断的粗糙集神经网络知识库

在液压伺服系统故障诊断技术的研究中,故障知识库的建立一直是人们关注的热点问题,为此提出了利用粗糙集神经网络来构建故障知识库的方法,在详细介绍了粗糙集神经网络知识库建立过程的基础上,重点讨论了其中的决策表离散化和粗糙集特征属性的约简方法.     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

基于粗集-神经网络的智能混合压缩机故障诊断系统的研究

利用粗集的约简功能消除压缩机故障样本数据中冗余信息，将粗集与神经网络相结合，构建了一个基于粗集一神经网络的智能混合压缩机故障诊断系统，实现了粗集对神经网络在压缩机故障诊断中的优化。     

船舶故障诊断系统研究

以机舱监控系统研发为背景,给出了船舶故障诊断系统的总体框架,详细阐述了船舶故障的分类表示。提出了一种基于粗糙集的数据预处理算法,实现了采集实时数据的约简,得到最小的故障诊断数据的约简集,提高了故障诊断的准确性及效率。     

基于粗糙集理论的变压器故障诊断专家系统研究

在传统的变压器故障诊断专家系统的基础上 ,引入粗糙集理论以解决专家系统较难获取完备知识的瓶颈问题。该系统从历史故障数据所形成的决策表出发 ,运用粗糙集理论进行约简 ,构建专家系统知识库模型。通过计算规则隶属粗糙度 ,来表示诊断规则的置信程度。利用推理机和故障事例库 ,实现对知识库的动态维护。     

Fault diagnosis of multistage manufacturing systems based on rough set approach

Multistage manufacturing systems (MMS) have been investigated extensively. However, quality and dimensional problems are still one of the most important research topics, especially rapid diagnosis of dimensional failures is of critical concern. Due to the knowledge and experience intension nature of fault diagnosis, the diagnostic results depend on the preference of the decision makers on the hidden relations between possible faults and presented symptoms. In this paper, a rough set-based fault diagnosis method is proposed, and a rapid fault diagnosis system with rough set is developed. The novel approach uses rough sets theory as a knowledge extraction tool to deal with the data that are obtained from both sensors and statistical process control charts and then extracts a set of minimal diagnostic rules encoding the preference pattern of decision making by experts in the field. By means of knowledge acquisition, the machining process failures in MMS can then be identified. A practical system is presented to illustrate the efficiency and effectivity of our method.