基于变精度粗糙集的齿轮故障诊断

提出一种基于变精度粗糙集的齿轮故障诊断模型。首先用自组织特征映射神经网络进行数据的离散化;再由变精度近似依赖度进行属性约简;然后生成故障诊断规则。给出一个齿轮的故障诊断的实例,并与粗糙集的故障诊断模型进行比较。结果表明基于变精度粗糙集方法降低了决策规则的复杂度及规则数量,且提高了故障识别率。     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

神经网络在机械设备故障诊断中的应用研究

提出了一种基于RBF神经网络的机械设备故障诊断方法，详细讨论了RBF神经网络的结构、训练算法及用于机械设备故障诊断的步骤，最后通过以柴油机系统的故障诊断为例，验证了此方法的可行性。     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

粗糙集理论及其在故障诊断中的应用

介绍了故障诊断技术及粗糙集理论的发展状况,重点总结了目前粗糙集理论在故障诊断领域中的几种应用形式,即粗糙集理论与知识发现相结合用于故障诊断、粗糙集理论与专家系统相结合用于故障诊断、粗糙集理论与神经网络相结合用于故障诊断以及粗糙集理论与其他智能技术相结合用于故障诊断;同时,指出了粗糙集理论研究中存在的问题,并对今后的研究方向提出了具体的思路.     

变精度粗糙集模型中β取值范围的确定

分析了可信度阈值β卢与近似分类质量关系,给出了由近似分类质量阈值r来确定β的取值范围的两种算法,并在给定近似分类质量阈值r的基础上,讨论了两种算法的时间复杂度．实例证明,通过这两种算法能够得到可信度闽值β的有效取值范围．     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于变精度粗糙集决策树的构造算法

在构造决策树的过程中,分离属性选择的标准直接影响分类的效果.基于变精度粗糙集的理论将属性重要度作为选择分离属性的标准.经实验证明,使用该方法构造的决策树与经典ID3决策树算法相比,具有复杂性低,能有效提高分类效果的优点.     

基于粗糙集配电网故障定位系统

针对配电网复杂线路,根据故障投诉电话信息构建的故障定位决策表,运用粗糙集理论对决策表进行化简,导出配电网故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性,同时,也能解决故障投诉电话信息不完备情况下的故障定位问题.通过仿真算例表明,该方法简单、可行、定位快速、准确.     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于Rough set理论的无线传感器网络节点故障

提出了一种无线传感器网络（WSN）节点故障诊断的新方法，首先基于粗糙集理论中改进的可辨识矩阵算法得到故障诊断决策的属性约简；然后通过属性匹配的故障分类算法，建立一套WSN节点故障诊断方法，对WSN节点的各个模块分别进行具体的故障诊断和定位. 仿真实验表明，该方法在WSN节点故障诊断时通信代价小、能量消耗低、诊断准确率高，因而具有在能量有限的WSN节点中应用的可能性.     

一种基于变精度粗糙集的图像分类方法

基于变精度粗糙集,引入近似区分矩阵的概念,提出一种基于颜色特征的图像分类模型及其分类算法.变精度粗糙集理论在数据分类应用中主要是将集合间精确的包含关系改为多数包含关系,既允许一定程度的错误分辨率存在.用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解.完善近似空间的概念.实验结果表明：在处理决策表不协调的图像分类问题,变精度粗糙集方法性能良好,分类准确、高效.     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

神经网络技术在机械故障诊断中的应用

介绍了人工神经网络技术的基本原理及其在机械故障诊断中的步骤，最后介绍了人工神经网络技术在机械故障诊断中的应用。