求解最小完全测试集的第一原理方法

应用第一原理的故障诊断思想,基于故障测试矩阵,提出了一种根据系统每一个故障都可检测的行为与系统所有故障不能检测的行为之间的不相容推理技术,来判断和求取系统存在的所有最小完全测试集的方法。方法分两步：一是根据系统的结构和测试矢量等知识,结合故障测试矩阵,识别冲突集候选;二是根据冲突集候选,确定最小命中集合组,生成最小完全测试集。该方法可有效求解最小完全测试集,减少测试矢量施加的工作量,提高故障诊断的效率。     

基于多故障模型的并发测试生成方法

精简测试向量集是解决电路测试问题的一种行之有效的方法。针对故障电路,采用多故障模型方法可以简化有多个单故障的电路,且保持电路功能完整。论文在结构分析的基础上,利用多故障模型寻找故障集中的并发故障,建立并发关系图,并运用分团的思想对故障集中的并发故障进一步划分,以获得故障集的并发测试集。与传统的方法相比,并发测试生成将获得更加精简的测试向量集。     

利用CSP求解极小碰集的方法

基于模型诊断是人工智能领域中具有挑战性的问题,包含了很多人工智能中的关键问题,其研究对整个人工智能领域起着重要推动作用。在基于模型诊断中,候选诊断结果通常由所有极小冲突集对应的所有极小碰集所描述,求出所有极小碰集是其核心问题之一。提出一种将极小碰集问题转换为约束满足问题的方法,该方法调用成熟的CSP求解器进行求解,扩展了约束可满足问题的应用领域。首次提出hard‐冲突集和sof t‐冲突集的概念,并给出利用所提的方法分别求解具有一些特征的极小碰集：小于固定长度、不含特定元素及包含hard‐冲突集和sof t‐冲突集。实验结果表明,提出的方法易于实现、扩展性强,对于特定类型极小碰集问题的求解效率较高。     

一种基于凸多面体的集员滤波故障诊断方法

针对含有未知但有界噪声的线性系统,利用基于凸多面体的集员滤波算法进行故障诊断策略研究;针对不同故障类型设计集员滤波器,通过求解基于无故障模型的集员滤波器状态可行集进行故障检测.采用模型去伪的思路进行故障隔离,即在故障发生后寻找唯一当前状态可行集不为空的集员滤波器,其对应的故障类型即为故障隔离结果.通过实例仿真分析得出,所提出方法可完成对不同类型故障的诊断,具有可行性.     

一种面向不完备信息系统的集对k-means聚类算法

针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means (Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法,并将该度量方法运用到k-means算法中,得到初步聚类结果;随后,对于同时属于多个类的样本,将其分配到相应类的边界域,对于只属于一个类的样本,将其分配到相应类的正同域或边界域,其中聚类结果由肯定属于该类簇的正同域、可能属于该类簇的边界域以及肯定不属于该类簇的负反域3个部分共同表示;最后通过选取UCI数据库中的6个数据集与4种对比算法进行实验评价。实验结果表明,SPKM算法在准确率、F₁值、Jaccard系数、FMI和ARI等指标上均具有良好的聚类性能。     

一种煤矿带式输送机故障诊断方法

针对煤矿带式输送机故障种类繁多且各征兆存在交叉,严重影响故障诊断的时效性和可靠性的问题,提出了一种煤矿带式输送机故障诊断方法。该方法采用粗糙集与神经网络相结合的故障诊断技术,通过粗糙集属性约简算法优化输入的故障征兆集,得到最优约简集;将约简后的最小条件属性集输入BP神经网络进行合理训练,经过不断学习优化,最终得到诊断决策规则;将约简的相应测试征兆属性样本输入训练好的网络进行故障诊断,判别出相应故障。仿真结果表明,该方法能够充分删除冗余信息,加快网络训练速度,提高带式输送机故障诊断精度。     

极小碰集求解中候选解极小性判定方法

极小碰集问题是人工智能中的重要问题,应用广泛.碰集极小性判定,作为极小碰集求解过程中的关键步骤,效率的高低会对极小碰集求解算法的耗时产生直接影响.现有的极小碰集求解算法主要使用子集检测方法进行碰集极小性判定.针对子集检测方法在极小碰集簇规模较大时效率较低的问题,提出了基于元素独立覆盖度检测的碰集极小性判定方法——ICC方法,剥离了碰集极小性判定耗时与极小碰集簇大小的相关性;通过深入分析增量求解过程中非极小碰集的产生原因,给出了ICC方法的增量判定形式ⅡCC方法,使其可以尽早发现并丢弃非极小候选解,为使用其增量极小碰集求解算法带来额外的剪枝效果,进一步提升算法的效率.实验结果表明：该方法易于实现,可扩展性强,对于当前效率较高的Boolean算法,使用ⅡCC方法后,算法可求解问题的规模和整体效率均有明显提升,效率提升最高达4个数量级以上.     

约束多传感器线性系统的RMPC容错控制

针对一类约束多传感器线性故障系统,提出了一种基于鲁棒预测控制策略的容错控制方案．首先为多传感器线性系统设计了观测器,然后离线设计不变集列,使得时变的状态估计误差存在于相应的不变集列中,利用不变集的理论提出了一种新的故障检测的方法,最后基于鲁棒预测控制策略为故障系统设计了容错控制器,给出了闭环系统鲁棒稳定性的证明．仿真结果证明了方法的可行性。     

一种模拟滤波器电路的故障诊断方法

针对模拟滤波器电路,提出了一种基于测前仿真和测后仿真相结合的故障诊断方法;在测前仿真环节,通过仿真获取电路正常状态及故障状态的幅频响应曲线,引入“区别度”计算电路故障状态和正常状态的区分程度,从而确定电路的可测故障集,并通过频率选择建立可测故障集的故障字典;在测后仿真环节,通过不同频率的激励获得电路故障状态的测试数据,再利用“区别度”计算测试数据与故障字典中各故障特征的区分程度,通过最小“区别度”实现故障检测及故障元件的定位;最后通过一个滤波器电路仿真实例,基于PSpice仿真和Matlab程序计算实现了基于测前仿真的可测故障集确定和故障字典建立,以及基于测后仿真的故障检测和故障元件定位,验证了文章提出方法的实用性。     

基于冲突对象集的决策系统分配约简算法

目前对不一致不完备决策系统的粗糙集属性分配约简研究较少,研究不一致不完备决策系统的分配约简更具有实际应用价值。基于此,提出一种基于冲突对象集的不一致不完备决策系统分配约简方法。通过定义冲突对象集的概念,给出计算核属性集和属性重要性的方法;在此基础上,给出求解不一致不完备决策系统分配约简的算法。理论分析和实例结果表明,该方法显著降低了分配约简求解的空间复杂度,更加适合大规模数据库。     

用对分HS-树计算最小碰集

在基于模型的诊断中,利用冲突集计算最小碰集是其关键的步骤,因为所有冲突集的最小碰集就是所考察系统的诊断.在Reiter的方法中,要用HS-树(图)来计算最小冲突集的最小碰集.HS-树的计算量比较大,且又会因为剪枝的问题而剪掉真实解.提出了用对分HS-树(binary hitting set-树,简称BHS-树)计算最小碰集的方法.这种方法的优点是:(1)产生的树的节点数明显少于HS-树,因而效率较高;(2)解决了因为剪枝而产生的最小碰集丢失的问题;(3)在新增加冲突集时不必完全重新计算,只需在原BHS-树     

基于AE-LSTM的多目标硬盘故障预测方法

硬盘故障预测是在故障发生前发出预警,避免数据丢失或服务中断,提高数据中心的可靠性和安全性。然而,大多数故障预测模型将硬盘故障问题转化为二分类任务,忽略了硬盘故障是渐变过程的,并且缺乏故障诊断功能。因此,提出了一种基于AE-LSTM的硬盘故障预测框架,实现多目标任务：硬盘健康状态分级、硬盘剩余使用寿命预测、硬盘故障诊断。首先,采用回归决策树模型智能化对硬盘健康状态进行标记;其次,通过AE-LSTM模型提取鲁棒的隐藏变量,并构建剩余使用寿命预测模型和硬盘健康状态分级模块;最后,根据AE模块的输入输出差异进行硬盘故障诊断。在Backblaze公开数据集上,对比了RF、LSTM和AE-LSTM三种算法,实验结果证实了AE-LSTM算法在多目标硬盘故障预测中的有效性和优势。     

On the estimation of adequate test set size using fault failure rates

Test set size in terms of the number of test cases is an important consideration when testing software systems. Using too few test cases might result in poor fault detection and using too many might be very expensive and suffer from redundancy. We define the failure rate of a program as the fraction of test cases in an available test pool that result in execution failure on that program. This paper investigates the relationship between failure rates and the number of test cases required to detect the faults. Our experiments based on 11 sets of C programs suggest that an accurate estimation of failure rates of potential fault(s) in a program can provide a reliable estimate of adequate test set size with respect to fault detection and should therefore be one of the factors kept in mind during test set construction. Furthermore, the model proposed herein is fairly robust to incorrect estimations in failure rates and can still provide good predictive quality. Experiments are also performed to observe the relationship between multiple faults present in the same program using the concept of a failure rate. When predicting the effectiveness against a program with multiple faults, results indicate that not knowing the number of faults in the program is not a significant concern, as the predictive quality is typically not affected adversely.     

一种面向可靠云计算的自适应故障检测方法

提出了一种保障云系统可靠性的自适应故障检测方法。首先基于步进指标搜索算法和指标空间分离技术进行云指标提取, 得到最能刻画云行为和健康状况的最大关联性标准和最小冗余度标准, 然后使用最小封闭球体将云指标数据点从数据空间映射到内核空间进行降维, 最后将低维数据输入故障检测器。故障检测器在内核空间产生一个能够容纳数据的最小封闭球面, 确定潜在故障, 如果以前故障历史无法获得, 则故障检测器通过寻找与其他状态存在明显不同的云健康状态来确定故障。当检测结果被云运营商验证后, 要么被判定为真实故障, 要么被判定为正常状态（虚警）。实现了一种故障检测原型系统, 并在校园云计算环境下展开实验。实验结果表明, 与其他现有故障检测技术相比, 该方法的检测更高效、更准确。     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

基于模糊支持向量机的智能站继电保护设备隐性故障检测方法

针对智能站继电保护设备运行工况不稳定,误动率和拒动率较高的问题,提出了基于模糊支持向量机的智能站继电保护设备隐性故障检测方法。采用多小波变换方法处理采集的继电保护设备信号数据噪声,将处理后的信号输入模糊支持向量机网络中,计算隐性故障样本类别隶属度函数以及训练该网络,建立模糊支持向量机模型;通过组合二类分类器,分类检测继电保护设备隐性故障;利用采用布谷鸟算法优化模型的隶属度函数和惩罚函数,提升故障检测精度。测试结果显示：隐性故障检测相对误差结果均低于0.2,检测效果较好,并且应用后保护的误动率和拒动率均低于0.3%;能够可靠完成继电保护设备隐性故障运行工况下的故障类别检测。     

模糊方向神经网络及其在故障检测与分离中的应用

提出一种用于我工况对象系统故障检测与的模糊方向神经网络，神经网络用模糊集表示故障模式，模糊集是由模糊超体聚集形成的集合体，模糊超体是由单位方向、夹角和两个半径确定，模糊方向神经网络能在一次循环学习中形成非线性方向边界，并不断融合新样本信息和精炼已存在的故障模式。发动机故障检测与分离的仿真研究验证了模糊方向神经网络分类器的优越性能。     

A rough set-based fault ranking prototype system for fault diagnosis

Fault diagnosis is a complex and difficult problem that concerns effective decision-making. Carrying out timely system diagnosis whenever a fault symptom is detected would help to reduce system down time and improve the overall productivity. Due to the knowledge and experience intensive nature of fault diagnosis, the diagnostic result very much depends on the preference of the decision makers on the hidden relations between possible faults and the presented symptom. In other words, fault diagnosis is to rank the possible faults accordingly to give the engineer a practical priority to carry out the maintenance work in an efficient and orderly manner. This paper presents a rough set-based prototype system that aims at ranking the possible faults for fault diagnosis. The novel approach engages rough theory as a knowledge extraction tool to work on the past diagnostic records, which is registered in a pair-wise comparison table. It attempts to extract a set of minimal diagnostic rules encoding the preference pattern of decision-making by domain experts. By means of the knowledge acquired, the ordering of possible faults for failure symptom can then be determined. The prototype system also incorporates a self-learning ability to accumulate the diagnostic knowledge. A case study is used to illustrate the functionality of the developed prototype. Result shows that the ranking outcome of the possible faults is reasonable and sensible.     

一种求解极小诊断的遗传模拟退火算法

基于模型的诊断方法是人工智能领域发展起来的一个十分活跃的分支.在该方法中,由极小冲突集求解极小击中集的过程是一个NP-Hard问题.尽管人们提出了不少算法,但是各种算法的效率仍然不是十分理想.通过将该问题映射到0/1整数规划问题,提出了将遗传算法与模拟退火算法相结合的问题求解思想.在给出遗传模拟退火(genetic simulated anncaling,简称GSA)算法和算法各个参数的同时,对算法的性能和求解精度进行了测试.GSA算法不仅比传统的算法效率有很大的提高,而且在冲突集基数大于35的情况下,较单独使用GA的算法在效率上提高约1/3～1/2.在求解精度上,GSA算法在大多数情况下能够求出98%～100%的极小诊断.     

基于辨识集的属性约简算法

为了过滤掉不相关或相关程度较低的属性,就必须使用属性约简算法,从而使得属性约简成为粗糙集中一个核心的研究课题。基于差别矩阵的属性约简算法求解时总是先要求出差别矩阵,当问题规模增大时,将导致存放差别矩阵的空间过大和算法执行时间过长。针对这一问题,本文提出辨识集的定义,并利用辨识集设计一个新的属性约简算法。新算法在属性约简过程中不生成差别矩阵和大量的无用元素,大大减少存储量和计算量,从而提高算法的效率。实验验证了新算法的高效性。