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.     

基于互信息的无线传感器网络节点故障自诊断

故障自诊断和故障监控能提高WSN的可维护性和可靠性, 延长WSN节点的使用寿命。该文提出一种无线传感器网络(wireless sensor network, WSN)节点故障自诊断的新方法。首先,可从粗糙集理论中基于互信息的属性约简算法获得故障诊断决策的约简,进而建立一套以属性匹配为核心思想的WSN节点故障自诊断技术,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节点中实现故障自诊断时,通信代价小,能耗低,诊断的误判率低。     

基于无线传感器网络数据融合的滚动轴承故障诊断

针对无线传感器网络(Wireless Sensor Network,WSN)在检测和诊断大型机械设备运行状态和机械故障中的应用,提出了基于无线传感器网络的滚动轴承故障诊断模型,结合主元分析和神经网络技术对无线传感器网络中的数据在网内进行融合处理,将原始的振动信号转换为故障类型,达到了减少通信量、节省网络能量消耗的目的.在实验中采用了工程上最常见的单列深沟球轴承,对传感器采集到的正常状态和故障状态数据进行了分析计算,在簇头节点进行特征级融合,提取出故障特征,得出相应的故障类型.实验结果证明了该模型和数据融合算法的可靠性和有效性.     

基于PCA-RBF神经网络的WSN数据融合轴承故障诊断

为了减少基于无线传感器网络（WSN）的轴承故障诊断系统数据传输总量和网络负载同时提高故障诊断准确性,提出一种采用主元分析（PCA）与径向基（RBF）神经网络结合轴承数据的融合与故障诊断算法.首先建立基于LEACH协议的3层融合模型,然后簇首节点采用PCA对大量多传感器数据降维,最后Sink节点采用RBF对数据进行决策级融合.仿真结果表明：该算法3个成员节点各上传10个数据包,簇头节点融合后剩余4个,融合率为86.7%,每组故障识别准确率大于85%.该算法具有很好的识别率和高压缩率,能够很好应用于煤矿设备故障监测.     

基于粗糙集对旋转机械故障诊断系统的研究

针对机电设备故障诊断中存在的知识冗余和不确定性,从原始数据出发,利用决策表约简算法进行属性和属性值的约简,建立了故障诊断的规则库.给出了基于粗糙集的故障诊断和知识获取模型的一般结构.通过对旋转机械典型故障的分析,建立了决策表,通过对决策表的约简,减少了数据库中数据的数量,解决了故障诊断中知识获取的瓶颈问题.提出了决策表的属性值约简的一种简化算法.实验证明该方法是可行的.     

基于DFD算法的无线传感器网络故障诊断系统的设计

为了更好地了解无线传感器网络节点的分布位置及故障情况,提出了一种无线传感器故障诊断系统的设计方案.该系统采用三边测量法实现了节点的定位,使用DFD故障诊断方法实现了节点的故障诊断,并在.NET框架的智能客户端技术基础上实现了定位信息及故障信息的处理和显示.     

基于改进Kruskal算法的WSN故障节点检测方法

提出了一种基于改进Kruskal算法的无线传感器网络（WSN）故障节点检测方法. 该方法首先通过集中式的改进Kruskal最小生成树算法来获取可信的节点集合,之后依据可信节点,采用邻居节点比较算法对传感器节点的感知值进行分布式分析和处理,判定发生故障的传感器节点. 同时为了容忍节点的临时故障,引入了时间冗余. 仿真结果表明,在节点故障率高达35%时,该方法依然能快速定位故障节点,并且同时保证很高的检测精确度.     

无线传感器网络中邻居数据分析的故障检测方法

针对无线传感器网络(WSN)故障检测导致额外的通信和计算负载问题,根据同一覆盖范围内传感器节点的监测数据相近的特点,提出了一种基于邻居节点数据分析的WSN故障检测方法. 通过分析节点的历史传感数据来计算节点的可信水平,从而确定可信的邻居节点. 将节点数据与覆盖范围内可信邻居节点的数据进行比较分析,判定节点是否故障. 仿真结果表明,算法在保持良好的故障检测能力和临时故障容忍能力的同时,并不额外增加节点的通信和计算负载.      

基于关联度分析的WSN节点信任模型研究

该文基于社会网络关联度分析的无线传感网络节点信任模型进行研究。给出了无线传感器网络的模型并将其与社会网络模型进行了相似性分析;建立了基于社会网络关联度的WSN节点信任模型,提出了基于关联度的传感器节点信誉度的计算方法;并设计了基于滑动窗口的传感器节点信任值计算及更新算法(SNTUA)。通过仿真实验,证明了该算法的有效性和准确性,其性能优越于其他两种算法。     

具备小世界网络拓扑特性的无线传感器网络鲁棒性分析

无线传感器网络(WSN)传感器节点数量多且分布广,将复杂网络理论引入无线传感器网络(WSN),对分析网络拓扑结构、发现其中隐藏的规律以及提高网络性能具有十分重要的意义。根据LEACH分簇算法,通过将网络中介数较小的链路删除,构建具备小世界网络特性的无线传感器网络。提出基于网络负载和冗余的传感器网络连通性的测度,在此基础上给出无线传感器网络鲁棒性分析的方法。针对两种攻击方法,随机攻击和蓄意攻击,对基于小世界网络模型的无线传感器网络鲁棒性能进行分析。仿真结果表明,减少网络负载增加网络冗余利于传感器网络鲁棒性的增强。     

农村配电网故障定位方法的研究

文章提出了运用粗糙集理论实现农村配电网故障定位的方法。该方法根据配电网拓扑结构利用各用户区故障投诉信息作为条件属性、故障元件作为决策属性,形成故障决策表,并以此决策表为主要工具,然后利用粗糙集方法对决策表进行属性约简和值约简,导出故障决策表的最小约简形式,获得最小诊断规则,保证了规则的客观性,而且在故障投诉电话信息不完备的情况下,仍能达到快速、准确故障定位的目的,具有良好的容错性能。算例表明该方法简单、可行、有效。     

基于粗糙集和支持向量机的汽轮机组故障诊断

提出一种应用粗糙集(RS)和支持向量机(SVM)对汽轮发电机组故障诊断的模型。将采集到的振动信号进行傅立叶变换得到频谱特征,然后使用粗糙集进行知识约简去除冗余属性,得到决策表,将决策表作为支持向量机分类器的训练样本。通过学习,使构建的SVM机器能反映属性特征和故障类型的映射关系以达到故障诊断的目的。测试结果表明,应用粗糙集约简和SVM机器学习是一种有效的诊断方法,它能使诊断速度加快,而且诊断结果简单有效,有推广应用的价值。     

Fault Attribute Reduction of Oil Immersed Transformer Based on Improved Imperialist Competitive Algorithm

基于改进型帝国竞争算法的变压器故障属性约简

边莉¹,何辉²,孙洪娜²,刘文静³

（1.广东海洋大学 电子与信息工程学院,广东 湛江 524088;2.黑龙江科技大学 电气与控制工程学院,哈尔滨 150022;3.国网邯郸供电公司,河北 邯郸 056002）

创新点说明：

通过利用改进型帝国竞争算法与粗糙集和神经网络相结合的方式,对油浸式变压器的故障数据集进行了优化,并验证了该方法具有较好的性能。

研究目的：

电力系统的运行与人们的工作生活和工业生产有着非常密切的联系,其安全稳定的运行具有重要的意义,而油浸式变压器作为电网运行的重要组成部分,它的安全可靠运行对整个电力系统具有重要的影响。由于原始的变压器故障数据具有相当大的冗余,这就对进一步的故障判断增加了难度,其结果就是运行速度慢,且诊断正确率较低。所以本文针对原始数据集过于繁杂的问题,优化原始数据,避免大量无意义的计算,并提高其准确率。

研究方法：

利用改进型帝国竞争算法对粗糙集进行优化后,对离散化的油浸式变压器原始故障数据进行属性约简,得到最终决策表,为了验证该方法得到的决策表是否具有优越性,将其带入神经网络中进行验证,并与遗传算法、粒子群算法和模拟退火算法进行了对比。

结果：

改进型帝国竞争算法在第27次迭代时已经趋于稳定,约简率为56.25%,约简精度为98%。采用BP神经网络对故障数据集最终决策表进行诊断验证,准确率为86.25%,总体效果优于原始数据和其他算法。因此,对油浸式变压器的故障属性进行约简是非常有效的。

结论：

1） 本文将改进型帝国竞争算法应用到油浸式变压器故障属性约简问题中,通过对算法进行介绍,并建模、仿真,最后与其他智能算法进行比较分析,得出该算法具有较强的可行性和适用性。

2）该方法实现了变压器故障属性的最优约简。与遗传算法、粒子群算法和模拟退火算法相比,帝国竞争算法优化粗糙集属性约简具有迭代次数少、约简率高、精度高等优点,降低了对数据存储的要求,提高了分类精度。

3）在保持判别关系不变的前提下,去掉一些无意义的属性,可大大降低后续操作的难度。当样本集数据量较大时,宜采用改进的帝国竞争算法优化粗糙集的方法来进行属性约简。

关键词：变压器故障;改进型帝国竞争算法;粗糙集;属性约简;BP神经网络

     

粗糙集理论在变压器故障诊断中的应用

为了对变压器故障诊断过程中大量的冗余特征进行压缩或约简,提高诊断的效率,将粗糙集理论引入到变压器故障诊断中,提出了基于粗糙集理论的故障特征约简算法:即由故障样本构成信息表,组合表中不同的属性集,求取与全体属性集具有相同分类质量的最小属性集。对具体典型诊断实例进行了分析,结果表明:在保证故障分类结果不变的情况下,该算法能够剔除具有冗余信息的特征,找出对故障分类起主要作用的特征,从而达到了特征约简的目的,不仅大大减少了诊断信息提取的工作量,也为后续的智能诊断提供很大的便利。     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断

提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.     

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．