基于EMD与邻域粗糙集的液体电磁阀故障诊断

液体电磁阀的故障诊断是保证飞行器动力系统正常工作、实现故障快速定位的重要手段。为了对液体电磁阀进行检测与诊断,提出了一种基于经验模态分解（EMD,Empirical Mode Decomposition）与邻域粗糙集相结合的新方法。首先对电磁阀的结构、故障形式、故障机理进行了分析,通过采集电磁阀正常、弹簧失效、阀芯卡滞、线圈异常、电气短路五种状态的驱动端电流信号,对不同状态的电流进行了分析。针对电流稳态长度难以控制,EMD分解获得的本征模态函数（IMF,Intrinsic Mode Function）分量的能量熵存在不一致的特点,选用电流变化率作为特征对其进行EMD分解。引入数据挖掘思想,采用邻域粗糙集构造贪心式属性约简算法进行属性约简,将约简后的属性集输入所设计的C4.5决策树算法,经过训练,其诊断准确率达到98%。研究结果表明：该方法能够实现液体电磁阀的快速诊断,具有一定的应用价值。     

基于邻域辨识矩阵的属性约简增量式算法

邻域粗糙集模型可以直接处理连续型数据.属性约简是邻域粗糙集模型的重要研究内容之一.目前已有的增量式粗糙集约简算法主要考虑经典的粗糙集模型的情况,不适用于邻域粗糙集模型.为此,提出一种基于邻域辨识矩阵的属性约简增量式算法,主要考虑连续型数据对象动态增加的情况下的属性约简问题.为了解决该问题,提出了一种邻域决策系统的辩识矩阵,通过辨识矩阵的动态更新实现动态求核,并在此基础上,利用原有的属性约简进行属性约简的更新.     

基于KNE-BPNN的电务设备故障预测

针对铁路电务设备故障频发、运行效率低且无有效故障预测方法等现实问题,提出一种基于K-均值—邻域近似条件熵与BP神经网络（KNE-BPNN）的电务设备故障预测模型。首先,采用基于K-均值聚类的样例约简算法约简设备故障决策表中的冗余样例;其次,运用邻域近似条件熵属性约简方法对样例约简后故障决策表中的非必要属性进行约简;最后,使用经过样例和属性约简后的样本集训练BP神经网络并进行模型预测,直到模型输出结果满足预设条件为止。实验结果表明KNE-BPNN故障预测模型的预测精度和泛化性能均满足电务设备管理的实际需求。     

基于相对可辨识矩阵的决策表属性约简算法

针对现有属性约简算法存在的问题,利用信息论和粗糙集理论,提出一种基于相对可辨识矩阵的决策表属性约简算法.该算法以核属性为基础,通过建立相对可辨识矩阵,利用条件信息熵作为启发式信息,减少属性约简过程中的搜索空间,逐个添加条件信息熵最大的属性,直到找出最小约简为止,并分析了该算法的时间复杂度.实例分析结果表明,该算法能有效地对决策表属性进行约简.     

基于NRS与SVM-ELM的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期性传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

一种融合粗糙集与灰模的装备故障预测方法

结合粗糙集理论和灰色系统理论对不精确信息处理的优势,文中提出一种融合粗糙集理论与GM(1,1)灰色预测模型的故障预测方法,先运用粗糙集的属性约简算法对故障诊断决策表进行约简,推出最优诊断规则,再利用GM(1,1)灰色预测模型对约简决策表中的各条件属性测试值计算得到其预测值,从而代回约简的诊断决策表进行故障预测,最后在某型机载电台装备中以某一故障为例进行应用验证,结果表明故障预测效率和精度都较高,从而为提高装备的可靠性和维修性提供依据.     

基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

基于邻域粗糙集下知识划分的信息表降维

Pawlak粗糙集的知识约简包括对决策表的知识约简和对信息表的知识约简。作为Pawlak粗糙集的扩展,邻域粗糙集在针对决策表的属性约简方面应用广泛,而针对信息表的属性约简方面应用鲜少。为了设计一种适用于信息表的属性约简算法,根据Pawlak粗糙集的信息表知识约简标准,首先提出一种邻域粗糙集的信息表知识约简标准,然后根据这种标准,结合贪心思想,进一步提出了一种适用于聚类任务的信息表属性约简算法。与主成分分析(principal component analysis,PCA)算法相比,实验结果表明用该算法对数据集降维后,得到的属性约简集合的属性个数较多,K-means算法根据属性集合进行聚类的精度较高。实验结果证明该算法能有效地应用于信息表的属性约简方面。     

多半径邻域粗糙集改进约简算法

属性约简是粗糙集理论中的重要问题。许多学者针对邻域粗糙集提出多种属性约简方法,包括应用最为广泛的启发式算法。在多半径邻域粗糙集的基础上,针对当前启发式约简算法往往会包含一定冗余属性的缺陷,提出一种融合属性权重影响的改进约简运算方法,通过根据各属性权值大小设置阈值使得约简结果能够消除冗余属性。实验选取UCI的数据集与当前几种常用启发式约简算法进行比较分析。实验结果表明,所提出的属性约简方法能够得到更优的约简集合,同时更大程度地保留了决策表本身的知识信息,具有较高的分类能力。     

基于信度区间的故障特征约简方法

多源信息融合故障诊断方法可以有效提高设备故障的确诊率,但同时需要使用由不同传感器获取的多种故障特征数据.此时若将所有特征的数据用于诊断,则计算量过大,诊断的实时性差.对此,将证据理论与粗糙集相结合,提出基于信度区间的属性约简定理及相应的故障特征(属性)约简方法,力图利用约简后的重要特征进行快速诊断.利用随机模糊变量和K均值对特征数据进行离散化处理,通过压缩二进制矩阵获取核属性,再将属性的信度区间大小作为迭代约简过程中属性的选取标准,向核属性中添加重要属性,最终获得属性约简结果.最后进行电机转子的特征融合诊断实验,通过与经典的粗糙集简约方法对比验证所提出方法的有效性.     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

基于小波能量熵和邻域粗糙集的电磁阀故障诊断研究

液体电磁阀是航空变量柱塞泵系统的关键控制元件，准确诊断电磁阀的故障类型是系统安全运行的重要保证；为了对航空变量柱塞泵系统中电磁阀进行检测与诊断，提出了一种基于小波能量熵和邻域粗糙集相结合的方法；研究了液体电磁阀驱动端的电流故障特征；采用AMEsim多学科领域仿真软件建立仿真模型，分析驱动端电流与阀体位移的关系，搭建实验系统，采集正常状态和故障状态的电流信号，分析不同状态的电流特性；然后利用小波包分解重构信号，提取对应的频带能量作为特征向量；最后，引入变精度模糊邻域粗集约简算法简化数值属性，提高了系统的效率；简化的属性集用于构建决策树，经过迭代训练，该模型诊断准确率达90%，达到了预期效果，实现了对液体电磁阀的快速诊断。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

信息增益混合邻域粗糙集的肺部肿瘤高维特征选择算法

针对冗余属性和不相关属性过多对肺部肿瘤诊断的影响以及Pawlak粗糙集只适合处理离散变量而导致原始信息大量丢失的问题,提出混合信息增益和邻域粗糙集的肺部肿瘤高维特征选择算法(Information gain-neighborhood rough set-support vector machine,IG-NRS-SVM)。该算法首先提取3 000例肺部肿瘤CT图像的104维特征构造决策信息表,借助信息增益结果选出高相关的特征子集,再通过邻域粗糙集剔除高冗余的属性,通过两次属性约简得到最优的特征子集,最后采用网格寻优算法优化的支持向量机构建分类识别模型进行肺部肿瘤良恶性的鉴别。从约简和分类识别两个角度验证方法的可行性与有效性,并与不约简算法、Pawlak粗糙集、信息增益和邻域粗糙集约简算法进行对比。结果表明混合算法精确度优于其他对比算法,精确度达到96.17%,并且有效降低了时间复杂度,对肺部肿瘤计算机辅助诊断具有一定的参考价值。     

基于决策分类的决策表分解方法研究*

针对当前基于属性重要性的决策表属性集分解方法存在的不足,提出了一种新型的基于决策分类的决策表属性集分解方法。分析了近似分类质量和属性重要性与决策分类之间的关系,利用粗糙集理论,从提高子决策表中决策分类正确性的角度出发考虑条件属性与决策属性之间的关系,提出了决策表分解的条件属性选择量度并对决策表实施属性集分解。     

粗糙决策支持方法

粗糙分析方法是从粗糙集理论发展出来的技术之一．传统的粗糙分析方法能够从决策表中获取经过属性约简和值约简的决策规则．这些规则虽然能够提供一定程度的决策支持，但是这些规则仅保留了决策表的部分决策支持能力，在实际的决策过程中，往往无法提供良好的决策支持．对此，该文提出一组用于决策支持的粗糙分析方法，称为粗糙决策支持方法．该方法能够充分挖掘决策表的决策能力，以提供强有力的决策支持，并且本质上提供容错的决策支持．该方法与传统方法能够整合为动静结合的决策支持模式，并提供强大而又快速的决策支持．     

一种带缺省推理的描述逻辑

该文提出了一种新的带缺省推理的描述逻辑，它以描述逻辑为主要框架，对单调逻辑和非单调逻辑进行了整合，但又避免了一般缺省逻辑的困难．基于带缺省推理的描述逻辑，构建了一种同时具有Tbox，Abox和缺省规则的知识库系统，研究了带缺省推理的描述逻辑的可满足性、缺省可满足性、概念包含、缺省包含以及实例检测等推理问题，提出了一种用来检测可满足性和缺省可满足性的Tableau—D算法，并得到了缺省可满足性和缺省包含的转换定理．     

基于粗糙集和图论的电力系统故障诊断方法

将粗糙集与图论相结合处理电力系统故障诊断,提出了故障决策表图的新概念,得到一种基于粗糙集和图论的电力系统故障诊断方法,并进一步提出了故障信息覆盖度和故障诊断规则分级的概念.利用故障决策表图及其邻接矩阵,得到了快速识别决策表核属性和属性约简的方法,并将规则分级应用于故障规则提取.利用所提出的方法对具体实例进行处理,仿真结果表明,该方法能有效地减少时间和空间复杂度,可根据设定的阈值提取诊断规则.