基于粗糙集的变电站故障诊断规则提取方法研究

运用粗糙集理论研究了变电站故障诊断规则提取,提出了基于属性重要度和分辨矩阵的诊断规则提取算法.通过改进基于属性重要度的粗糙集属性约简算法,得到决策表的一个最小约简,然后将分辨矩阵引入值约筒中得到决策规则.采用该算法对变电站故障决策表进行属性约简和值约简,抽取出变电站故障诊断的精确规则库进行故障诊断.实验结果表明了该方法的有效性.     

基于关联规则模型的导航卫星故障诊断方法

针对导航卫星故障诊断的特点,提出一种基于关联规则的导航卫星故障诊断方法,设计并实现了以Apriori算法为核心的导航卫星故障诊断系统,对导航卫星故障诊断的仿真实验结果表明,该系统能够有效挖掘异常模式数据与故障设备的之间的关联关系,具有较高的诊断精度。     

基于MapReduce的Bagging决策树优化算法

针对经典C4.5决策树算法存在过度拟合和伸缩性差的问题,提出了一种基于Bagging的决策树改进算法,并基于MapReduce模型对改进算法进行了并行化。首先,基于Bagging技术对C4.5算法进行了改进,通过有放回采样得到多个与初始训练集大小相等的新训练集,并在每个训练集上进行训练,得到多个分类器,再根据多数投票规则集成训练结果得到最终的分类器;然后,基于MapReduce模型对改进算法进行了并行化,能够并行化处理训练集、并行选择最佳分割属性和最佳分割点,以及并行生成子节点,实现了基于MapReduce Job工作流的并行决策树改进算法,提高了对大数据集的分析能力。实验结果表明,并行Bagging决策树改进算法具有较高的准确度与敏感度,以及较好的伸缩性和加速比。     

基于关联规则的配网设备故障自动检测研究

为了掌握配网运行规律，检测并排除设备故障，提出了基于关联规则的配网设备故障自动检测方法。通过Apriori改进算法挖掘配网设备故障样本数据的关联规则，运用贝叶斯方法训练样本数据，获得最终配网设备故障检测结果并将其输出。实验结果表明：该方法的故障检测数量与故障分布真实数量基本一致，具有较强的配网设备故障自动检测能力；各类型故障检测正确率高，具有一定的实际应用价值。     

一种结合谱聚类与关联规则的轴承故障诊断方法

针对现阶段机械设备轴承故障诊断方法难以挖掘隐含特征、诊断精准度低等问题,将谱聚类(spectral clustering, SC)算法与关联规则算法Apriori相结合,提出SC-Apriori算法;首先根据美国西储大学轴承数据中心网站公开发布的轴承故障数据集,选取0负载下的数据,计算得到滚动轴承振动信号的9个时域特征和3个频域特征;其次使用Pearson相关系数进行特征筛选,留下9个有效特征,再利用SC-Apriori算法挖掘出训练数据集中轴承不同特征数据之间的关联关系,并引入提升度来去除冗余的关联规则,进而构建一个规则库;再将测试数据进行处理,并与已建立的规则库进行比对,根据匹配率来判断其故障类型;在测试数据上的实验结果表明,与已有算法相比,文章设计的SC-Apriori算法挖掘出的规则数量大幅减少,匹配速度更快,且匹配效果更好。     

面向设备故障诊断的数据挖掘技术方法的研究

本文对石化企业设备故障诊断系统进行研究,利用数据挖掘技术进行故障诊断。提出数据挖掘技术中的关联规则挖掘的理论与算法,并对关联规则的经典算法Apriori进行研究与改进。提高了故障诊断的准确性,减少了冗余信息。     

基于粗糙集理论的ORD关联规则挖掘算法

关联规则挖掘是数据挖掘的重要领域之一,利用粗糙集理论来挖掘关联规则的方法已经得到广泛关注.针对不完备信息系统,提出了基于粗糙集理论的快速ORD关联规则挖掘算法.该算法首先采用基于粗糙集理论的属性约简算法进行属性约简,然后采用快速、高效的冗余项集和冗余规则修剪算法--ORD算法获取关联规则.将该算法与其它同类流行的算法在4个UCI数据集上进行实验比较,结果表明该算法性能良好.     

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。     

改进的Apriori算法在智能温室大棚系统中的应用

针对智能温室大棚系统内局部传感器故障造成其不能及时有效向上推送准确数据的问题,提出将关联规则中的Apriori算法应用于故障传感器数据的预测.以温度传感器发生故障为例,首先将关联规则中传统的Apriori算法进行优化,然后将其运用到故障传感器参数的预测当中去.实验仿真表明,改进的Apriori算法能够快速的发现温室各参数之间的关联规则,从而估计出故障传感器的参数的范围,有一定的应用价值.     

基于属性层次模型的柴油机故障证据融合方法

针对证据理论在覆盖率高的柴油机故障诊断中容易出现证据融合误差的问题,提出一种基于属性层次模型的证据融合方法.首先,通过余弦相似度改进目标层权重算法,得到反映目标层不同证据源差异的本质差异因子;然后,采用贝叶斯网络规则改进属性层权重算法,计算相关联的属性层证据源熵值权重;最后,通过故障层次关联特性和CWAA算子修正证据理论融合规则,将不同层次属性权重有效融合,减少系统复杂性引起的诊断误差.在R6105AZLD柴油机台架上的实验结果表明,引入所提方法后的诊断准确度和鲁棒性大幅提高.     

双水内冷连铸辊道系统故障关联规则诊断技术

双水内冷连铸辊道系统主要由循环水站/水泵、托梁架、辊道等部件组成,其中任意部件产生故障都会影响连铸生产过程,为保障连铸生产效率与质量,研究了双水内冷连铸辊道系统故障关联规则诊断技术。构建基于关联规则的故障诊断模型,采集双水内冷连铸辊道系统运行过程中各部件的运行故障数据,采用优化后的Apriori算法挖掘故障数据内的频繁项集,挖掘故障数据间的关联规则,针对故障类型与故障原因的是否已知,生成关联规则构建相关故障规则库,基于其中的规则诊断双水内冷连铸辊道系统故障,并根据诊断结果对故障进行处理。测试结果显示该技术能够在1s内准确诊断测试对象各类故障。     

Self adaptive growing neural network classifier for faults detection and diagnosis

Fault detection and diagnosis have gained widespread industrial interest in machine monitoring due to their potential advantage that results from reducing maintenance costs, improving productivity and increasing machine availability. This article develops an adaptive intelligent technique based on artificial neural networks combined with advanced signal processing methods for systematic detection and diagnosis of faults in industrial systems based on a classification method. It uses discrete wavelet transform and training techniques based on locating and adjusting the Gaussian neurons in activation zones of training data. The learning (1) provides minimization in the number of neurons depending on cost error function and other stopping criterions; (2) offers rapid training and testing processes; (3) provides accuracy in classification as confirmed by the results on real signals. The method is applied to classify mechanical faults of rotary elements and to detect and isolate disturbances for a chemical process. Obtained results are analyzed, explained and compared with various methods that have been widely investigated for fault diagnosis.     

改进动态因果图与模糊推理融合故障诊断方法

在复杂的控制系统发生故障时,运维系统能保证对其进行快速、可靠的故障诊断尤为重要。针对复杂控制系统中控制信号多、信号关联性强、故障状态多、部件故障模式多的情况,提出一种改进动态因果图与模糊推理融合的故障诊断方法,利用改进动态因果图逻辑表达能力强,能因果互推的特点,构建多重（正向、反向、混合）模糊规则,有效克服了模糊逻辑推理中只能由因溯果而不能由果溯因的难题,同时,将动态因果图的动态特性引入到模糊规则的动态更新中,增强了模糊推理的实时性。最后,以某型装甲设备垂直力矩电机控制过程的故障诊断为应用背景,在自行研制的故障诊断平台中嵌入此法进行故障诊断测试,测试结果分析表明,此法能有效提高诊断效率,具有更高的准确性、先进性、适用性。     

基于大数据平台的水轮发电机组故障诊断系统

水轮发电机组是水电站的关键设备,它的运行状况直接关系到水电站的安全生产。目前对水轮发电机组运行状况的掌握大都通过装设的状态监测系统运行数据的分析比对和计划检修相结合的方式,但往往都是故障已经发生后才能予以发现,不能提前对设备运行工况进行预判。本文详细介绍了一种基于大数据平台的水轮发电机组故障诊断系统,该系统主要由数据处理平台、模型算法平台、可视化展示平台三部分组成,是一种基于大数据平台和互联网技术的典型应用。其主要通过挖掘水电厂现有计算机监控系统、状态监测系统等信息系统的实时及历史数据,再经过一系列关联算法提取这些数据中蕴含的丰富的价值信息来实现对机组的运行状况监视、健康评价、趋势预警、故障诊断、检修指导等。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于多传感器的发动机故障诊断模糊专家系统

本文介绍了采用多传感器综合监测技术的汽车发动机故障诊断专家系统。总结了汽车发动机常见故障,建立了汽车发动机典型故障集。介绍了汽车发动机的故障征兆提取方法,建立了汽车发动机故障征兆集。提出了一种基于模糊规则汽车发动机故障诊断方法。设计了基于模糊规则的发动机故障诊断专家系统,并通过实例证明了该诊断系统的有效性。     

基于免疫危险理论的无线传感器网络节点故障诊断

针对无线传感器网络的故障特点以及故障诊断的自学习问题,本文提出一种基于免疫危险理论的无线传感器网络节点故障诊断算法。该方法利用危险触发阈值来识别危险源,用遗传算法生成抗体库,基于K近邻分类法构建多抗体故障检测器并进行故障分类,通过追踪故障数据变化更新抗体库。实验仿真证明,该算法与其他无线传感器网络故障诊断算法相比,在训练数据较少的情况下,诊断准确率更高,效率更好,耗用硬件计算资源更少,并具备动态更新特性。     

基于模糊Petri网的无线顺序控制系统的故障诊断

通过分析基于无线传感器网络的顺序控制系统,给出它的故障传播规则。针对模糊Petri网在故障诊断中的置信度模糊推理算法的不足,进行了添加阈值判断的改进。运用改进后的模糊Petri网推理算法对无线顺序控制系统进行故障诊断,计算控制器故障发生的概率,得出其中控制逻辑重新发送概率最大,理论结果与现场实际测试结果基本一致。