基于粗糙集理论的真空断路器故障诊断方法

真空断路器的故障和征兆总是存在着随机性、模糊性和不确定性。以粗糙集理论为基础的,用于真空断路器故障诊断。通过以故障征兆为条件属性集,以故障为决策属性集,建立故障诊断的决策表,通过约简决策表,剔除冗余条件属性,建立起征兆与故障的决策规则,从而快速、准确地诊断真空断路器的故障。     

粗糙集理论提取配电网故障诊断规则的方法

针对决策表约简这一NP(NondeterministicPolynomial)难问题采用粗糙集理论进行配电网故障诊断,提出了一种以属性长度和频率作为启发式信息的约简算法和相应的属性值约简方法,实现了决策表的快速简化及故障诊断规则提取,同时针对故障诊断中存在信息残缺的情况,给出了基于欧氏距离的规则匹配方法。整个算法思路清晰,抽取的诊断规则形式简洁,不需要对区分矩阵进行大量计算就能有效地获取决策表的最佳约简。仿真实例表明该方法计算速度快,获取的规则不仅形式简单且能反映出故障的特点;形成的故障诊断规则库能给出一个满意的诊断结果,方法具有良好的容错性能和在线故障诊断的潜力。     

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。     

基于粗糙集贪心算法的逆变器开路故障诊断

针对逆变器开路故障时特征信息的冗余性、复杂性和精确度不高的问题,提出一种粗糙集贪心算法来进行数据离散和属性约简并提取有效规则表。该方法可以在系统的不可分辨关系不改变的前提下实现数据的离散化,并从数据样本集中提取重要度较高的条件属性进行属性约简,最后提取有效规则表实现逆变器开路故障诊断。该方法很好地解决了逆变器开路故障诊断时处理数据的冗余性和复杂性的问题,大幅度减小故障数据特征维度,同时运用有效规则表可快速准确地进行故障诊断,节省大量时间。     

基于关联规则数据挖掘技术的电网故障诊断

在实际的电网故障诊断中,面临如何从海量数据找到真正对于诊断结果有帮助的关键数据以及当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论的问题。针对此问题,将关联规则数据挖掘DLG(Direct Large temsests Generation）算法引入到电网故障诊断中。首先以保护、断路器作为条件属性,故障区域作为决策属性,考察各种故障情况并建立原始决策表,然后利用关联规则挖掘进行属性约简,通过修改阈值进行交互式挖掘,直接提取最佳属性约简组合,然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘,针对各种情况的故障信息进行诊断推理。运用C编写了基于该方法的故障诊断软件, 采用四母线配电网系统作为仿真对象,算例结果表明该算法在一定电网规模和保护动作信息不完备的情况下,故障诊断正确性高、容错性好,实用性强。     

基于关联规则数据挖掘技术的电网故障诊断

在实际的电网故障诊断中,面临如何从海量数据找到真正对于诊断结果有帮助的关键数据以及当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论的问题.针对此问题,将关联规则数据挖掘DLG(Direct Large temsests Generation)算法引入到电网故障诊断中.首先以保护、断路器作为条件属性,故障区域作为决策属性,考察各种故障情况并建立原始决策表,然后利用关联规则挖掘进行属性约简,通过修改阈值进行交互式挖掘,直接提取最佳属性约简组合,然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘,针对各种情况的故障信息进行诊断推理.运用C编写了基于该方法的故障诊断软件, 采用四母线配电网系统作为仿真对象,算例结果表明该算法在一定电网规模和保护动作信息不完备的情况下,故障诊断正确性高、容错性好,实用性强.     

基于变精度粗糙集的电力设备故障诊断

针对传统粗糙集在故障诊断应用中的不足,提出了一种基于变精度粗糙集的诊断方法.方法基于信息熵设计了粗糙规则集的不确定性度量函数,应用遗传算法求取相对属性约简.通过度量规则的精确度和覆盖度,过滤噪声数据产生的不一致规则,从而得出具有较高精确度和覆盖度的规则集.该方法可以有效的处理带噪声的决策表,克服传统粗糙集无法处理噪声数据库的缺点,增强故障诊断的鲁棒性.以汽轮发电机振动故障诊断为例,根据故障数据库的频率征兆,使用变精度粗糙集进行约简,并生成粗糙规则集.实例表明该算法可以从含有噪声的数据样本中提取合理的决策规则,有效指导故障诊断.     

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。     

基于小波变换和粗糙集的电力电子电路故障诊断方法

为了快速而有效地诊断电力电子电路的故障,提出了一种小波变换与粗糙集相结合的新方法。用小波变换分解输出电压信号以便提取故障特征信息,在此基础上,构建了条件属性集与决策属性集,运用了粗糙集的数据挖掘能力去除冗余条件属性,约简后提取出故障诊断规则,按照这些规则来诊断各类故障。最后,通过数学建模与数据处理,仿真结果验证了快速性和有效性。     

可拓关联函数与属性约简相结合的变压器故障诊断方法

鉴于常用的三比值法诊断变压器故障时会出现"无编码"情况,提出了利用可拓学与粗糙集理论对变压器故障进行诊断的方法。以粗糙集属性约简方法对各种故障类型所需要的属性条件进行初步约简分类,然后建立变压器故障诊断的物元模型,以DGA测试数据作为变压器故障诊断属性集,以变压器标准故障模式作为变压器故障诊断决策集,利用可拓关联函数计算各种故障程度,定义故障取舍规则以确定变压器故障。以某台故障变压器为实例进行分析,其诊断结果与实际情况相符;收集76条变压器DGA信息,利用该方法进行故障诊断,诊断正确率较IEC法乐观。     

汽轮发电机组故障诊断的"规则+例外"知识获取模型

在分析了故障诊断样本实例集规律性的基础上,根据认知心理学和机器学习中的"规则 例外"模型的不足,结合粗糙集理论中知识约简的概念,提出了一种适合从包含不一致信息的故障诊断数据集中获取决策规则的改进的"规则 例外"模型,给出了模型的具体描述,研究了模型的基本结构,并结合汽轮发电机组振动故障诊断实例说明了改进的"规则 例外"故障诊断知识获取模型的可行性和有效性,通过与其他方法的比较,表明了改进的"规则 例外"故障诊断知识获取模型由于采用了一小部分例外,将实例集划分为2个部分,使得获取的规则无论在置信度上,还是泛化能力和简洁性上都要优于直接对实例集进行处理的方法。     

基于粗糙集理论的故障诊断决策规则提取方法

为了在故障诊断信息不一致的情况下提取简单有效的诊断规则，提出了一种基于粗糙集理论的决策规则提取方法。该方法从定义的故障诊断决策系统出发，将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集。在应用网络进行故障诊断时，用待诊实例的信息与网络中相应节点的诊断决策规则集进行匹配，即使在故障诊断信息不完备的情况下，也能得到正确的诊断结果。以某往复机械故障为例验证了该方法的有效性。     

基于粗糙集理论的配电网故障诊断研究

鉴于粗糙集理论在处理不精确问题时,不需要提供待求解问题所需处理的数据集合之处的任何先验信息,运用粗糙集理论研究了因保护装置和断路器误动或拒动,通信装置的故障等原因造成的不完备警报信号模式下的配网故障诊断新方法。该方法把保护和断路器的信号作为对故障分类的条件属性集,考虑了各种可能发生的故障情况,以此建立决策表,然后实现决策表的自动化简和约简的搜索并利用决策表的约简形式,区分关键信号和非关键信号,直接从故障样本集中导出诊断规则,从而达到在不完备警报模式下快速准确地故障诊断的目的,揭示了警信息集合内在的冗余性。该文以VB6．0为主界面,运用Visual C 语言编程实现对故障区域的诊断,通过实际配电网的大量仿真表明：该方法简单,有效,具有良好的容错性能。     

基于粗糙集理论的小电流接地故障选线方法有效域的研究

小电流接地系统的各种故障选线方法都有其适用范围,即有效域,确定选线方法的有效域是实现多种方法智能融合的前提条件.为此,文章提出应用粗糙集理论对故障样本集进行数据挖掘和知识发现来确定选线方法的有效域.该方法以决策表为主要工具,对故障样本数据进行离散化处理,对冗余信息进行知识约简,最终获得故障信号特征与选线方法间的决策规则;通过概率的表达形式对不协调决策规则进行有效处理.现场实际故障录波数据证明了该方法的正确性.     

汽轮发电机组半频振动的诊断及处理

分析某电厂汽轮发电机组产生半频振动故障的主要原因,围绕提高轴瓦工作稳定性和降低激振力两个方面进行处理,对机组轴瓦瓦面修刮和现场高速动平衡试验,最终振动问题得到解决,为同类振动故障诊断提供借鉴。     

采用改进人工鱼群优化粗糙集算法的变压器故障诊断

传统的人工智能方法对变压器大量的不完备故障信息不能有效地分析,或在故障数据的离散化过程中由于区间分割不当而无法正确诊断故障甚至误诊。为此,提出了一种基于改进人工鱼群优化粗糙集的变压器故障诊断方法。该方法首先将变压器溶解气体分析(DGA)的值作为条件属性,将故障类型作为决策属性,建立故障决策表,利用鱼群的聚群寻优行为对决策表中的连续属性数据进行离散化;然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,大大简化了决策表属性约简的难度,使诊断变得更加简便。最后通过实例验证表明:该方法能够有效地对样本进行离散和约简,与传统方法相比,提高了故障诊断的正确率。     

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     

融合粗糙集和模糊聚类的连续数据知识发现

知识自动获取是困扰基于知识的系统普遍推广应用的瓶颈，粗糙集理论是一种从历史数据中发现规则知识的数学工具。该文针对粗糙集方法应用于电厂与电力系统数据挖掘中存在的连续属性离散化问题，提出了基于模糊聚类的离散化方法。采用模糊C平均(FCM)算法离散连续属性，获得各类的聚类中心以及属性值隶属于各聚类中心的隶属度矩阵，得到离散化的数据。将粗糙集方法应用于离散化后的数据挖掘隐含在历史数据中的知识。最后进一步讨论了置信度、支持度等指标对规则的评价方法。给出的汽轮机轴系振动故障诊断规则获取算例验证了整个知识发现方案的可行性。     

汽轮发电机组振动故障诊断中的改进BP算法

针对大型汽轮发电机组振动故障的特点，提出了一种基于误差逼近度渐进收缩学习算法的反向传播（BP）网络诊断模型，给出了BP网络误差函数和新型的权值调整公式，并将其应用于汽轮发电机组振动故障诊断与识别。实例结果表明，该算法学习收敛较快，误差曲线平稳，不会引起误差曲线振荡。     

基于BP网络算法优化粗糙-Petri网的电网故障诊断

为了使电网故障诊断的过程更简洁、快速和直观,提出了一种基于BP网络算法优化粗糙-Petri网的电网故障诊断方法。首先用粗糙集理论对电网的故障征兆数据进行处理,从冗余的故障信息中约简出最小决策表;然后基于得到的最小决策表提取诊断规则并建立最优的 Petri 网模型,利用 Petri 网处理并行推理的能力来实现高效的电网故障诊断。其中引入神经网络中的BP算法对电网故障诊断Petri 网模型的权值参数进行网络优化训练。电网实例分析结果表明该模型能准确找到故障区域,具有较好的快速性、自适应性和一定的容错性。