一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

粗糙集理论在故障诊断规则获取中的应用

本文的目的是给出一种利用粗糙集理论解决故障诊断的规则获取问题的方法 ,该方法的特点是可以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 .以规则形式表示的知识接近于人脑推理过程 ,因此基于规则的诊断方法在故障诊断中得到广泛使用 ,但规则获取是其瓶颈之一 .粗糙集 (RS)理论是为开发自动规则生成系统而提出的 ,其主要思想是在保持分类能力不变的前提下 ,通过知识约简 ,导出概念的分类规则 .因此 ,可以把 RS理论用于规则的故障诊断中 .本文给出了基于决策矩阵和决策函数的获取规则方法的流程图 ,以故障诊断实例说明其使用方法 ,并验证了其有效性     

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.     

基于粗糙集理论的规则修正方法

基于粗糙集理论分别给出了确定性决策规则和可能性决策规则的获取与修正的理论和方法，给出一种利用粗糙集理论解决在增加样本数量情况下的动态规则获取方法，滚动轴承的故障诊断实例证明了该方法的有效性。     

基于粗糙集理论的故障诊断规则获取方法研究

提出了基于粗糙集理论的故障诊断规则获取方法,该方法通过决策系统的可辩识矩阵和分辨函数计算核和所有的约简集,以约简集为初始节点,建立层状节点网络模型,对于各节点,提取符合可信度要求的诊断规则写入规则集中。通过应用表明,方法是确实可行的。     

基于适应型Petri网的民航飞机故障诊断研究

针对民航飞机系统故障诊断的复杂性,提出了一种粗糙集与Petri网相结合的诊断方法;利用粗糙集理论不需要提供待求解问题所需处理的数据集合之外的任何先验信息的特点,得到一种诊断规则的自动获取方法,可有效解决飞机系统故障诊断专家系统在知识获取方面的"瓶颈";在获取规则的基础上建立Petri网模型,运用改进的关联矩阵和状态方程计算方法,将诊断问题转化为矩阵运算,使复杂的推理转变为简单的数学运算,提高了推理搜索速度;最后通过实例分析验证了该算法的可行性与有效性.     

基于粗糙集理论的计算机图像识别系统

为解决专家系统较难获取完备知识的瓶颈问题,设计了一种基于粗糙集理论的诊断系统。研究历史数据所形成的决策表,运用粗糙集理论进行约简,构建专家系统知识库模型。通过计算诊断规则粗糙度,确定诊断规则的置信程度。利用推理机,实现对知识库的动态维护。结合诊断的特点,建立基于粗糙集理论的专家诊断系统模型,快速准确地实现诊断的目标。实例表明,该专家诊断系统有效、实用,具有很好的学习能力。     

基于VPRS和神经网络的旋转机械故障诊断

在故障诊断领域中,由于大量相关且冗余的数据存在,我们往往很难找出故障原因与故障征兆之间的对应关系,所以只能通过对诊断信息的合理约简,来减少冗余数据对系统结果的影响.本文提出了一种基于变精度粗糙集模型和神经网络相结合的方法应用于旋转机械故障诊断,目的是为了更好的解决故障特征提取和诊断规则获取问题.     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.