基于RSPNN的制粉系统故障诊断

针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点,提出了基于粗糙集概率神经网络(RSPNN)的制粉系统故障诊断方法,以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络(SOMNN)对连续样本数据进行离散化;再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简,并将约简结果作为概率神经网络(PNN)的输入;最后利用PNN作为诊断决策分类器,输出故障模式,并进行了仿真研究。仿真结果表明,该方法不仅优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题有一定启发性。     

基于神经网络的网络故障诊断

针对传统故障知识库冗余度高和稳定性难以两全的缺陷，提出了RSFBP算法，综合运用神经网络方法和粗糙集理论，实现对学习样本净化处理。实验表明，利用该方法实现的系统在进行网络故障诊断时可以取得较好的效果。     

基于RSNN的电力变压器故障诊断

介绍RSNN（粗糙集神经网络）在变压器故障诊断中的应用.实际数据仿真验证RSNN方法较之传统的神经网络方法具有训练时间短和决策正确率高的特点.     

同步发电机励磁故障诊断系统研究及实现

智能故障诊断系统作为人工智能技术在故障诊断领域的应用,在实践中取得了较好的成效,同步发电机励磁装置诊断系统是在对励磁单元的结构层次、工作原理及其故障模式、故障机理展开分析和研究的基础上来进行设计的,针对现场实际的需要,对智能故障诊断系统在励磁系统故障诊断的应用技术进行了研究,分析了诊断系统的层次结构和主要组成模块,采用DSP作为控制器件,设计了诊断系统的硬件结构和软件结构,最后讨论了诊断系统的诊断机理和工作流程。     

基于粗糙集神经网络的网络故障诊断新方法

摘要针对传统网络故障知识库冗余度高和稳定性难以两全的缺陷,综合运用神经网络方法和粗糙集理论,提出了RSNN算法,实现不一致情况下的规则获取和学习样本的净化处理．该算法具有简化样本、适应性强、容错性高和不易陷入局部最小点等特点,能有效处理网络故障诊断中噪声或不相容的信息．实验表明,利用该方法实现的系统与同类的其他方法相比,提高了诊断准确率和诊断速度．     

基于粗糙集神经网络的应用层故障诊断系统

为解决计算机网络应用层故障诊断问题,设计了一个基于粗糙集神经网络的故障诊断系统,详细描述了系统的结构、粗糙集神经网络的构造和训练方法,并通过仿真验证了该方法的有效性。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

基于粗糙神经网络的故障诊断方法研究与应用

为了更好地解决故障诊断知识获取的"瓶颈"问题,提高在线故障诊断的效率,文中研究了一种基于粗糙神经网络的智能故障诊断新方法.先利用粗糙集理论对决策信息表进行简约,导出诊断规则,再输入神经网络进行训练学习,最后以机械装置液压系统故障诊断为例,证明该方法能有效地获取知识,快速提取规则和在线诊断,为进一步研究智能故障诊断提供了一种新的思路.     

基于粗糙集的大屏幕系统故障诊断研究

通过深入分析大屏幕投影系统的工作原理,根据专家经验和系统运行记录总结得出的故障模式,提出了将基于粗糙集理论的诊断规则自动提取方法应用于大屏幕投影系统故障诊断的专家系统,有效地化简了故障特征与诊断结果映射中的冗余信息,解决了传统专家系统在知识获取方面的"瓶颈",实现了诊断规则的自动获取.     

基于遗传算法与可拓神经网络的故障诊断

可拓神经网络是基于可拓理论和神经网络而设计的一种新的方法,它即充分利用了可拓学定性描述和定量描述的优点,又考虑了神经网络并行结构的特点.它由输入和输出两层可拓神经元构成,在每个输入神经元和输出神经元之间有两个连接权值.然后利用遗传算法全局搜索能力,对建立的可拓神经网络的权值进行优化,在优化过程中利用可拓神经网络输出的正确次数与可拓神经网络输入的样本总数的比值作为适应度函数,染色体根据物元的节域进行实数编码,计算出的可拓距离的最大值对应的物元与样本一致时,输出正确次数累加一次.算法终止条件为误差值达到要求.最后利用该方法开发了励磁系统的故障诊断系统.并对可控硅的缺相故障进行了成功的诊断.试验结果证明,该方法比传统的神经网络具有速度快,准确度高的特点.     

大功率可控整流电路的故障诊断技术研究

利用现代电力电子变换技术和控制系统仿真软件研究了一种大功率可控整流电路的故障诊断技术;在详细分析了大功率可控整流电路可能发生的各种故障模式的基础上,提出基于小波神经网络的故障诊断方法;针对故障模拟信号,采用小波变换多分辨率分析和模极大值方法提取故障特征向量,利用神经网络的非线性映射与学习推理特性,对所提取的故障特征进行了模式识别,并通过仿真试验证明了该方法的可行性和有效性。     

基于粗集理论的压缩机故障诊断方法研究

论述了将粗集理论应用于压缩机故障诊断的方法。利用粗集理论在处理大数据集、消除冗余信息等方面的优势,减少了训练数据的冗余。运用这一方法对齐鲁石化塑料厂的运行数据进行了约简,去除不必要的属性,得出了诊断的决策规则。     

基于粗糙集和信息熵的BP神经网络故障诊断

针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果.     

基于粗糙集神经网络的旋转机械故障诊断

针对旋转机械故障和故障征兆关系的复杂性及神经网络在故障诊断中存在网络结构复杂和训练时间长等问题,提出了一种基于粗糙集与神经网络结合的故障诊断方法;采用自组织映射方法对属性进行离散化,设计了一种自适应遗传算法对属性进行约简,将获得的最小条件属性集作为神经网络的输入;以轴承的故障诊断为例进行分析,结果表明,该方法在保证诊断正确率的同时,可以有效简化神经网络的结构,降低网络的训练时间;另外,设计的自适应约简算法在保证获得最小约简的基础上,大大加快了收敛速度;该方法可推广应用在其它机械设备的故障中。     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于改进粒子群算法的整流电路智能故障诊断

针对基本粒子群算法(PSO)收敛精度低、易陷入局部极小值的缺点。对该算法进行改进,采用自适应调整惯性权重的策略,并且引入扰动因子,平衡集中强化搜索和分散多样化的搜索过程;用改进的PSO算法优化BP神经网络的权值和阈值,并应用于整流电路的故障诊断;仿真研究结果表明,该方法与其它方法相比,收敛速度快,诊断精度高,在整流电路故障诊断中具有良好的故障识别率,便于电路故障自动诊断系统的建立。     

优化的粗糙神经网络在故障诊断中的应用

本文在相异度理论的基础上，提出了类间相异度的度量方法，从而以粗糙集理论为属性约简工具，利用相异度理论进行类的泛化和特化．构造出了优化的粗糙神经网络模型。故障诊断实例分析表明，该模型对神经网络分层约简并剔除其中不必要的属性．减少了神经网络的总体训练时间和决策过程中的模式匹配搜索量，大大提高故障诊断系统的反应能力，在大型复杂的故障诊断应用中效果尤为明显。     

基于改进量子遗传算法的整流电路故障诊断

针对传统BP神经网络在故障诊断中存在的易陷入局部极值,对初值要求高等缺陷,将基于双链编码的量子遗传算法(Doub-le Chains Quantum Genetic Algorithm,DQGA)进行了改进,直接针对量子相位进行种群更新,优化空间限制在二维Hilbert的[0,π/2]区间内,改进算法在时间、存储量性能上有了明显改进;将该算法用于优化BP神经网络,提出了一种结合DQGA算法与BP神经网络对整流电路故障进行诊断的方法;仿真结果表明,与单BP、GA-BP算法相比,该方法在整流电路故障诊断中诊断精度高,收敛速度快,避免了BP算法易陷入局部极值的缺陷,适合故障自动诊断系统的建立.