基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

粗糙模糊神经网络在变压器诊断中的应用

针对变压器故障的复杂性、模糊性以及模糊集理论、神经网络和粗糙集理论的优缺点,利用粗糙集理论的属性约简和规则生成能力和模糊神经网络在模式识别方面具有容错和分类优势。采用粗集理论对采集到的变压器油中溶解气体数据形成的规则进行约简处理,建立精简的规则集,根据规则集建变压器故障诊断的神经网络模型,采用自适应遗传算法优化神经网络连接的权值,通过仿真验证了该网络较好的诊断性能。     

基于粗糙集与模糊规则的变压器故障诊断方法

引入了一种基于粗糙集约简并结合模糊规则的方法进行变压器故障诊断。该方法从变压器故障判别表出发,首先使用粗糙集理论进行决策表约简,在保持故障判别表分类能力不变的条件下,去除了变压器故障诊断知识中大量的冗余特征,然后结合模糊集合理论和模糊推理,计算出各个约简后的决策规则的模糊隶属度,最终得到故障类型的判断。实例表明,本方法可以有效地进行模糊推理并得到正确的诊断结果。     

基于粗糙集与模糊规则的变压器故障诊断方法

引入了一种基于粗糙集约简并结合模糊规则的方法进行变压器故障诊断.该方法从变压器故障判别表出发,首先使用粗糙集理论进行决策表约简,在保持故障判别表分类能力不变的条件下,去除了变压器故障诊断知识中大量的冗余特征,然后结合模糊集合理论和模糊推理,计算出各个约简后的决策规则的模糊隶属度,最终得到故障类型的判断.实例表明,本方法可以有效地进行模糊推理并得到正确的诊断结果.     

粗糙集与神经网络结合的矢量量化图像编码方法

通过对Konhonen自组织神经网络设计矢量量化码书的分析研究,提出了一种基于粗糙集理论分类的神经网络图像压缩编码方法.利用粗糙集理论的强大的定性分析能力,结合图像块样本的时域、频域特性对其进行分类,并在分类能力不变的情况下,通过知识约简,去除冗余的属性,导出问题的分类规则,从而得到更好的分类图象压缩编码效果.     

基于决策表约简的变压器故障诊断Petri网络模型及其应用研究

通过对变压器故障诊断知识中大量的冗余特征进行压缩或约简 ,将粗糙集理论(RST)引入到变压器故障诊断中 ,以提高以往依赖先验知识进行诊断智能方法的效率。根据决策表约简实现故障特征的压缩与规则的简化 ,并利用该结果建立Petri网络模型 ,可获得最优的网络模型以充分发挥其快速的并行推理能力 ,实现高效的变压器故障诊断。对比分析结果表明 :约简后的特征具有与原来相同的分类能力 ,得出的主导特征也与实际相符 ;基于最小诊断规则所建立的故障诊断Petri网络模型 ,结构得到有效地优化 ,分类结果与原有的网络一致。最后通过实例分析验证了方法的准确性     

基于粗糙集-BP算法的配电网故障诊断

将粗糙集理论与BP神经网络相结合,以粗糙集中的信息系统决策表为主要工具,通过基于遗传算法的粗糙集属性约简算法对配电网中的原始数据进行约简,然后利用BP网络对最简规则集进行学习训练,最后用改进的粒子群算法对BP网络的权值和阈值进行优化,形成改进粒子群优化粗糙集-神经网络的模型结构。诊断结果表明:通过粗糙集属性约简,删除了大量不必要的冗余数据,提高了诊断速度和准确度。同时,针对配电网发生故障时存在误动、拒动等情况,该算法具有较高的泛化能力和较好的容错性。     

基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

基于粗糙集理论建立短期电力负荷神经网络预测模型

选择模型输入变量和网络结构是采用神经网络建立负荷预测模型的关键步骤，该文提出了一种基于粗糙集理论的解决方法。此方法采用粗糙集理论对各种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通过属性约简和属性值约简获得推理规则集，再以这些推理规则构筑神经网络预测模型，并采用加动量项的BP学习算法对网络进行优化。此方法能遵循一定的理论原则建立负荷预测模型以避免盲目性。最后通过实例计算证明此方法是可行和有效的。     

基于粗糙集的模糊神经网络控制器的研究

针对现代工业过程的不断复杂化和其中非线性、不确定性因素的增加,给出了一种基于粗糙集的模糊神经网络控制器的设计方法,该方法将粗糙集理论与模糊神经网络结合起来,利用粗糙集从观测的输入输出数据中提取规则,并寻求最小规则集,解决了模糊神经网络"规则爆炸"问题。通过在MATLAB平台上进行仿真,结果表明该方法具有良好的控制能力,对于突加干扰具有良好自适应能力。     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

机床热误差建模及检测系统模块设计

提出了基于模糊神经网络的数控机床温度与热变形的数学模型,该模型根据输入输出样本自动设计和调整模糊系统的参数,并使传统神经网络中没有明确物理含义的权值被赋予模糊逻辑中推理参数的物理含义。将模糊逻辑理论和神经网络结合,提高了网络的泛化能力。文中给出了模糊神经网络结构、算法的具体实现过程。并通过一个仿真实例说明模型可以将20μm内的热变形补偿到1．7μm内,补偿效果明显。针对补偿技术研究与应用中需要快速采集大量的温度及热变形信号问题,以MSC1210微控制器为核心进行模块化设计,温度采集模块通过SPI接口与上位机DSP连接组成数据采集系统。可以方便、灵活的完成数据采集任务。     

基于模糊神经网络的发电机励磁控制器的研究

在分析发电机励磁控制系统的基础上将模糊控制理论和神经网络技术有机结合,提出了基于模糊神经网络(FuzzyNeural Network,FNN)的智能型励磁控制策略,构造了具有双FNN模型结构的励磁控制器.所构建的FNN励磁控制系统不仅保留了模糊控制的功能,而且具有体现励磁控制非线性特征的能力,能更精确地反映系统的动态变化过程,具有更强的鲁棒性和适应性.     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。     

Rough set and fuzzy wavelet neural network integrated with least square weighted fusion algorithm based fault diagnosis research for power transformers

In this paper, a rough set (RS) and fuzzy wavelet neural network (FWNN), integrated with least square weighted fusion algorithm based fault diagnosis for power transformers, using dissolved gas analysis (DGA) is proposed. This approach takes advantage of the knowledge reduction ability of rough set and good classified diagnosis ability of FWNN, integrated with least square (LS) weighted fusion algorithm. The rough set is used as a front of FWNN, integrated with LS weighted fusion algorithm to simplify the input of FWNN and mine the rules whose “confidence” and “support” satisfy a preset criteria. The mined rules are used as a diagnosis knowledge base to offer fault diagnosis service for power transformers. FWNN, integrated with LS weighted fusion algorithm, is used to diagnose the case that cannot be diagnosed by mined rules by rough set. The FWNN input is simplified by rough set reduction, and its learning rate is improved greatly. FWNN, integrated with LS weighted fusion algorithm, on one side, can much better improve the diagnosis accuracy, when the output vector of single FWNN has the similar element. On the other hand, its diagnosis accuracy cannot be limited by the neural network hidden layer number and correlated training parameter. The mechanism has good classified diagnosis ability. The advantages and effectiveness of this method are verified by testing.     

基于多种人工智能技术集成的电力变压器故障诊断

本文提出的算法综合了进化规划、模糊理论，人工神经网络，范例推理四种人工智能技术的优点，弥补了单种人工智能技术的缺陷，缩小了样本间的数据差异，优化了网络初始权值，大大提高了人工神经网络的收敛性，人工神经网络的拓扑结构及训练样本经过大量的计算进行筛选确定，并通过基于范例推理的专家系统检索出最佳源范例并给出诊断结论。诊断结果表明，本方法能较准确地判别电力变压器故障。     

粗糙集神经网络故障诊断系统的优化方法研究

神经网络的联想能力不足影响它在故障诊断中进一步应用，该文根据粗糙集理论擅长于处理不完整小样本数据的优点，提出了使用粗糙集理论优化BP神经网络故障诊断系统的基本策略，构建了优化的粗集神经网络模型。通过对轴承故障数据和磨削工况分析表明，使用该模型可以有效地减少输入层神经元的个数，改进网络内部结构，提高神经网络模型的学习效率和诊断的准确率，在故障诊断中有良好的应用前景。     

基于模糊遗传神经网络的信息融合故障诊断技术及其应用

在基于广义模糊加权型推理的模糊神经网络基础上,融合非一致性遗传算法,建立了一种模糊遗传神经网络。利用模糊遗传神经网络技术建立信息融合中心,对多传感器数据进行融合处理,通过多源互补信息减小故障诊断系统的不确定性。讨论了模糊遗传神经网络多传感器信息融合方法中数据处理、特征向量维数压缩与关联、归一化处理方法等。同时,对模糊遗传神经的构造以及学习训练等内容,也作了较为详细的讨论。并对模糊遗传神经网络信息融合技术应用于变压器状态的实时监测的应用前景进行了初步探讨。     

基于模糊神经网络的分段式直线电机提升系统的故障诊断

针对分段式直线提升系统的特点,应用基于模糊神经网络的故障诊断方法,将模糊逻辑与神经网络融合在一起,实现了对这一复杂系统的故障诊断。侧重介绍了模糊神经网络的结构和学习方法,并利用这些原理对直线电机本体进行故障诊断。仿真结果表明,该方法是有效的。