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。     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

基于遗传算法的粗糙集约简在故障诊断中的应用

针对故障诊断过程中冗余征兆问题,提出了一种启发式遗传约简算法;该方法将核加入到遗传算法的初始种群中来提高算法的性能,引入一种信息论角度定义的属性重要度度量作为启发信息,构造修正算子引入启发信息,使得被选择的属性子集的分类能力不变,从而保证群体进化收敛于最小约简;最后以某汽车发动机故障诊断决策表为例,结果表明,该算法可以有效地对故障征兆进行约简,能够提取出最能反映故障的特征,从而为粗糙集在故障诊断中的深入应用打下了基础。     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

粗糙集和蚁群神经网络应用于传感器节点故障诊断研究

由于传感器节点常散布于野外恶劣环境中而经常出现各类故障,导致网络瘫痪和严重损失,提出了一种基于粗糙集和蚁群优化神经网络的传感器节点故障诊断新方法;首先进行数据采集和预处理,然后利用粗糙集结果断点法对原始故障诊断样本离散化,使用可辨识矩阵实现属性约简,删除冗余信息,得到具有最小条件属性并能覆盖原始数据特征的学习样本集,最后,使用蚁群优化神经网络结构和各参数,并通过对网络进行训练来实现故障诊断;仿真实验表明,在达到同样的训练误差10-3,文中方法所需要的迭代次数仅为880次,而蚁群神经网络为1500次,证明了文中方法具有较高的诊断精度和效率。     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

基于自适应神经网络加权模糊故障诊断研究

研究故障诊断问题;针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,基于模糊逻辑BP神经网络和传统Petri网模型结合,提出了一种新的自适应的加权模糊神经网络Petri网模型故障检测方法;该方法首先采用改进的BP神经网络算法对模型的权值进行训练,然后采用构造的自适应模糊Petri网模型对故障进行诊断;在柔性制造系统实例中进行了故障诊断,实验结果表明,该方法具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断,具有一定的实际应用价值。     

基于粗糙集-神经网络集成的故障诊断

综合粗糙集和神经网络的优点,提出一种基于粗糙集-神经网络集成的智能故障诊断模型.在数据采集和预处理的基础上,利用粗糙集(RS)理论对原始故障诊断样本进行离散化处理,并根据条件属性(集)对决策属性的正域的大小来选择属性,提取出对诊断故障贡献最大的最小故障特征子集,从而确定神经网络的拓扑结构;通过网络训练建立故障特征与故障之间的映射关系,采用神经网络集成的方法实现故障的诊断.通过热电厂发电机组的故障诊断实例,表明了这种故障诊断方法的工程有效性.     

基于粗糙神经网络的传感器网络故障诊断

为了克服大量信息冗余和能量有限给无线传感器网络故障诊断带来的困难,提出一种将粗糙集与神经网络集成相结合的智能故障诊断方法(RS-ANNE)。该方法首先利用粗糙集理论的属性约简技术,提取诊断故障贡献最大的最小故障诊断特征集合,然后根据最小故障诊断特征确定神经网络的初始拓扑结构,建立故障特征与故障之间的映射关系,最后通过子网表决得到最终诊断结果。实验结果表明,RS-ANNE诊断方法诊断正确率为95.67%,与ANNE方法相比计算量减小22.98%,诊断正确率提高13.88%。     

概念格理论属性约简算法研究

概念格是根据数据集中对象与属性之间的二元关系建立的一种概念层次结构,生动简洁地体现了概念之间的泛化和特化关系。利用概念格的这一特性,提出利用概念格理论进行故障诊断时的属性约简。为验证属性约简的正确性,将约简结果送到神经网络中进行故障诊断,诊断结果表明:利用概念格理论所得到的核心属性和相对必要属性可以对现有故障类型进行正确辨识,降低了故障诊断参数的维数,有利于加快诊断算法的运算速度。     

基于RS-CSA-ELM的WSN节点故障诊断

为及时发现WSN节点故障隐患,准确掌握WSN运行状态,本文利用粗糙集理论属性约简算法(简称RS)对WSN节点故障属性进行约简,以最优的故障属性决策表重构训练样本数据集,作为极限学习机(Extreme Learning Machine, ELM)神经网络的输入,建立一个数据驱动的WSN节点故障断模型.采用乌鸦搜索算法(Crow Search Algorithm, CSA)优化ELM神经网络的输入权值和隐含层阀值,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.通过对RS-GA-ELM模型进行仿真分析.结果表明, RS-GA-ELM模型能够在可靠性不同的数据集中,保持较高的故障诊断效率,符合WSN节点故障诊断的需求.     

航空发动机整机振动故障智能诊断技术研究

针对BP神经网络和支持向量机对整机振动故障诊断时的低效问题,提出了一种基于多类协同训练的航空发动机整机振动故障诊断方法.引入逻辑回归算法构建初始故障分类器,设计了一种新的属性划分算法来迭代优化故障分类器,基于优化后的故障分类器进行故障类别预测,并使用多数投票机制进行故障仿真识别.实验采用某航空发动机整机振动数据作为样本数据集,并从中选择80％的数据用于训练,20％的数据用于测试,同时验证了在噪声信号的干扰下该方法对故障数据的诊断准确性.结果表明,该方法可有效降低噪声信号对故障诊断结果的影响,且诊断准确性高,具有重要的工程实用价值.     

基于GMM聚类和PNN的道岔故障诊断研究

当前道岔故障诊断系统大多采用BP神经网络,但由于BP神经网络结构特点,在训练样本大且诊断系统精度要求比较高时,网络常常会呈现出以下不足:不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的LLE方法会丢失部分有用数据等。采用GMM聚类方法对兰州车站微机监测系统中采集的600组功率数据进行分类后,根据结果选取信息量比较全面的数据建立概率神经网路的训练集和测试集,从测试集得出的仿真图和BP神经网络做比较,结果表明基于GMM聚类和概率神经网络的道岔故障诊断方法可以改善存在的不收敛、误差大等问题。     

基于粗糙集决策网络的故障诊断规则提取方法

针对故障诊断信息的不一致性,提出一种基于粗糙集决策网络的故障规则提取方法。将故障诊断决策系统通过分辨矩阵和分辨函数进行属性约简后,构造出一个不同简化层次的决策网络。将属性约简集作为网络初始节点,根据网络节点得到决策规则集;同时,为了有效滤除噪声,在置信度的基础上引入了规则覆盖度的概念,对提取的规则进一步评价,最终提取有效的诊断规则。旋转机械故障实例验证了该方法的有效性。     

基于多小波变换的模拟电路IDDT故障诊断

动态电源电流测试（I_DDT ）对模拟电路故障诊断非常有效。针对小波神经网络在模拟电路I_DDT故障诊断中存在的缺陷,提出了一种基于多小波变换的模拟电路I_DDT故障诊断方法。即利用多小波变换提取电源电流各频段的能量,作为神经网络的输入特征向量进行故障诊断。仿真结果表明,该方法是有效的,而且比小波神经网络方法的收敛速率快。