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。     

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。     

粗糙集属性约简算法在故障规则提取中的应用

故障诊断的重要前提就是故障规则的提取,粗糙集理论为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具.使用粗糙集属性约间算法来提取故障规则能够剔除冗余特征.简化知识库的复杂度,提高故障诊断的正确率.     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

应用变精度粗糙集获取柴油机故障有效监测点

提出基于变精度粗糙集(Variable Precision Rough Set,简称VPRS)理论获取柴油机故障有效监测点的方法.通过变精度粗糙集在不同精度时分类近似质量的计算,得到柴油机在不同采集点的分类近似质量,进一步计算出各采集点条件属性与决策属性的近似依赖值,得出在故障监测中最敏感的状态信息监测点.通过变精度粗糙集理论对采集点数据的处理,找出故障诊断系统中最有效工作状态监测点.有效信息的采集,可以最大限度地减少噪声对故障诊断的影响,提高故障诊断系统的工作效率和准确率.     

面向可重组制造系统的快速诊断技术研究

在分析现有质量控制技术的基础上,提出了面向可重组制造系统故障诊断的架构和一种基于粗糙集故障诊断的方法。该方法利用传统统计过程控制数据,并结合现场传感器数据作为数据源,以粗糙集为知识获取工具进行数据处理,得到最小规则集,最终得到故障诊断结果。以一个实例验证了设计方案的有效性。     

粗糙集在滚动轴承故障诊断中的应用

对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。     

基于粗糙集的变压器故障诊断方法研究

本文提出了一种布尔逻辑与粗糙集相结合的变压器连续属性离散化方法,用计算机仿真实例说明算法的有效性.在变压器故障诊断中,首次将连续和离散信号统一应用粗糙集进行约简.通过这种方法,能够对变压器故障诊断模型进行更精确的模拟,从而提高故障辨识的精度.     

粗糙集理论在旋转机械实时故障诊断中的应用

根据旋转机械实时故障诊断的实际需求,引入粗糙集理论中的决策模型,作为典型故障诊断规则的发现工具。并针对故障信号的非平稳性和诊断分析的实时性要求,采用小波包分析(WPA)作为现场数据的频域段特征的提取工具。并首次将小波包分析(WPA)与粗糙集理论的决策模型相结合,提出了适应于现代机械设备在线诊断的故障分析模型WRS。并通过实例,验证了全过程。     

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-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。     

A Rough Set Approach to the Ordering of Basic Events in a Fault Tree for Fault Diagnosis

The performance of manufacturing systems or equipment is, to a great extent, dependent upon the condition of their components. Closely monitoring the condition of the critical components and carrying out timely system diagnosis whenever a fault symptom is detected would help to reduce system downtime and improve overall productivity. Fault tree analysis (FTA) is a powerful tool for reliability studies and risk assessment. However, most research on FTA focuses on the generation of minimum cut sets and how to calculate the probability of main events. As a result, the issue concerning the ordering of basic events in a fault tree has been largely neglected. In this paper, a novel approach based on rough set theory and a pairwise comparison table for fault diagnosis is proposed. The approach attempts to learn from the pattern of decision-making by domain experts from past experience and uses the knowledge acquired, which is in the form of a minimum decision rule set, to determine the ordering of basic events in a fault tree. The details of the approach, together with the basic concepts of rough set theory, are presented. A case study is used to illustrate the application of the proposed approach. Results show that a reasonable ordering of basic events in a fault tree can be generated easily. With the ordering of basic events determined, a maintenance engineer in a manufacturing plant can then carry out fault diagnosis in an efficient and orderly manner.     

基于粗糙集-神经网络系统的轴承故障诊断

针对神经网络在故障诊断中存在着输入属性维数多和数据量庞大的缺点,利用粗糙集理论对原始数据进行约简,并剔除其中不必要的属性,构建了优化的粗糙集-神经网络系统.实例分析表明,使用该系统能够减少故障诊断的时间.     

MMAS与粗糙集在轴承复合故障诊断中的应用

在分析振动加速度信号的基础上,提出了新的粗糙集属性约简算法,并应用于轴承复合故障诊断.将最大一最小蚂蚁系统(max-min ant system,简称MMAS)引入条件属性约简中,以最坏Fisher准则函数作为启发式信息以提高搜索效率,综合考虑分类正确率和条件属性个数两方面因素,利用粗糙集理论约简故障诊断决策表,有效地提高了轴承故障诊断的效率.     

遗传算法改进及其在机械故障诊断中的应用研究

研究了改进遗传算法求解机械故障诊断的若干问题 ,定义了遗传算法求解故障诊断问题的概率因果网络 ,给出了求解故障诊断的数学表达式和适合于旋转机械的故障集、因果强度和先验概率表 ,指出表达式的最小值的集合对应于故障征兆集、因果集和征兆集 ,并以某厂风机的振动故障为例验证了该方法的有效性     

A hybrid approach of rough set theory and genetic algorithm for fault diagnosis

This paper proposes an integrated intelligent system that builds a fault diagnosis inference model based on the advantage of rough set theory and genetic algorithms (GAs). Rough set theory is a novel data mining approach that deals with vagueness and can be used to find hidden patterns in data sets. Based on this approach, minimal condition variable subsets and induction rules are established and illustrated using an application for motherboard electromagnetic interference (EMI) test fault diagnosis. This integrated system successfully integrated the rough set theory for handling uncertainty with a robust search engine, GA. The result shows that the proposed method can reduce the number of conditional attributes used in motherboard EMI fault diagnosis and maintain acceptable classification accuracy. The average diagnostic accuracy of 80% shows that this hybrid model is a promising approach to EMI diagnostic support systems .     

基于智能代理者和神经网络的数字电路故障诊断

介绍了一种对板级数字电路多个故障同时进行智能诊断的新方法.该法融合了智能代理和神经网络两种技术的优点,前者是根据专家经验,通过对电路板自动测试的结果进行分析实现电路故障的快速定位,而后者则利用被测电路所对应的约束电路神经网络模型快速实现故障的完备测试集.该法在板级数字电路的多故障并行诊断方面具有较高的智能性和实用性.     

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.