基于模糊粗糙集和SVM的航空发动机故障诊断

随着航空产业的发展,航空发动机故障诊断逐渐向智能化、精确化方向发展,针对这一趋势结合模糊聚类、粗糙集以及支持向量机理论,提出了一种航空发动机故障诊断方法。首先,运用模糊C-均值聚类算法将连续数据离散化;然后,运用粗糙集的知识发现理论,在保持决策表的决策属性和条件属性之间的依赖关系不发生变化的前提下对决策表进行约简;最后,利用支持向量机适用于小样本数据处理的特性对样本进行学习得到最优超平面决策函数从而进行故障诊断。对航空发动机性能参数实例的验证结果表明,该方法对航空发动机故障具有较强的诊断能力,在不影响诊断率的基础上大大缩短了运算时间。因此,提出的算法具有较好的实用性和准确性。     

模糊聚类在机械故障诊断中的应用

介绍了模糊C均值聚类算法在机械故障诊断中的应用.以滚动轴承故障特征值的聚类中心来评定故障类别收到了良好的效果.与其他方法相比,模糊聚类方法实现只需要少量样本,从而使诊断工作量与诊断时间大为减少.     

以模糊聚类标准谱与灰色关联序诊断变压器内部故障的方法研究

通过对变压器故障和以DGA为特征量的症状之间难以量化的模糊和灰色特征的分析，采用模糊聚类分析方法获取。个聚类中心，根据聚类中心的物理和数学意义，这c个聚类中心组成变压器故障诊断的标准谱，利用灰色关联分析原理，求出待诊模式与各标准模式的关联序，实现故障诊断，进而提出了灰色关联分析和模糊聚类相结合的变压器故障诊断新方法。并经实例证明，其诊断准确率高于其它方法。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

基于参数优化MPE与FCM的滚动轴承故障诊断

为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。     

基于概率粗集理论的故障诊断知识提取方法

结合工程设备系统故障发生具有随机性的特点 ,基于概率粗集 (PRS)理论模型实现了故障诊断知识的提取。通过改进的模糊 C-均值聚类算法对原始故障数据加以量化 ,采用正则条件熵进行诊断知识系统的统计约简 ,对不协调的诊断规则利用最小风险 Bayes决策理论加以分析处理。仿真实验表明 ,该方法弥补了现有方法的不足 ,克服了基本 RS模型方法无法处理不协调规则的缺点 ,可得到有效的简化诊断知识     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。     

基于矢谱和粗糙集理论的旋转机械故障诊断

矢谱融合了转子同源双通道的信息,能准确反映转子运动状态．粗糙集理论是一种对决策表进行简化,去除冗余属性的数据分析和处理方法．提出了基于矢谱和粗糙集理论的旋转机械故障诊断方法．计算了旋转机械振动4种典型故障的矢谱征兆,使用粗糙集理论对其进行约简,根据约简的结果生成矢谱诊断规则,并利用得到的规则对故障测试样本进行了诊断．结果表明：相对于单通道数据,基于矢谱和粗糙集理论的故障诊断不仅简化了诊断规则,而且明显提高了故障诊断的准确率．     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

模糊故障诊断中特征属性约简及其权重系数的确定

针对粗糙集模型在干扰属性约简方面的局限,采用一种基于最大一致性因子的改进模型对故障特征属性进一步约简。为了克服传统方法在确定权重系数的主观性的缺点,应用粗糙集理论对约简后的故障特征属性的重要程度进行判断和权值化处理,并将权值化处理的结果作为权重系数。最后论文通过一实例对相关方法进行了说明。     

A hybrid approach of rough set theory and genetic algorithm for fault diagnosis

This paper proposes an integrated intelligent system that builds a fault diagnosis inference model based on the advantage of rough set theory and genetic algorithms (GAs). Rough set theory is a novel data mining approach that deals with vagueness and can be used to find hidden patterns in data sets. Based on this approach, minimal condition variable subsets and induction rules are established and illustrated using an application for motherboard electromagnetic interference (EMI) test fault diagnosis. This integrated system successfully integrated the rough set theory for handling uncertainty with a robust search engine, GA. The result shows that the proposed method can reduce the number of conditional attributes used in motherboard EMI fault diagnosis and maintain acceptable classification accuracy. The average diagnostic accuracy of 80% shows that this hybrid model is a promising approach to EMI diagnostic support systems .     

基于级联粗糙集的数控机床智能诊断方法的研究

采用级联粗糙集进行数控机床故障诊断.以数控机床主轴、进给和刀库各部件振动信号幅值为条件属性,进行第一级粗糙集决策并诊断出主轴故障;进而通过主轴的转频、振动幅值、高频成分的能量及频率分布情况为条件属性,进行第二级粗糙集决策并诊断出产生故障的具体原因.级联粗糙集分析方法减小了由条件属性较多导致决策精度变差的可能性,提高了数控机床智能诊断的精度.     

粗集理论在污水参数软测量中的应用研究

用粗糙集理论约简属性,消除冗余信息后建立了污泥体积指数的神经网络软测量模型.用某城市污水厂实际水质参数进行仿真实验.仿真结果表明,与未采用粗糙集进行预处理的模型相比,应用该模型不仅测量值的误差更小,而且输入参数从9个降至4个,大大降低了输入数据的维数,减少了神经网络的训练时间及训练步数,有利于软测量模型的实用化.     

Rolling bearing fault diagnosis based on mean multigranulation decision-theoretic rough set and non-naive Bayesian classifier

To analyze data from multi-level view, reduce computational burden, and improve fault diagnosis accuracy, a novel fault diagnosis method of rolling bearings based on mean multigranulation decision-theoretic rough set (MMG-DTRS) and non-naive Bayesian classifier (NNBC) is proposed in this paper. First, fault diagnosis features of rolling bearings in training samples are extracted to construct MMG-DTRS. Then, the significance degree of condition attribute in MMG-DTRS is defined to quantitatively measure the influence of condition attributes with respect to the decision ability of an information system. An attribute reduction algorithm based on MMG-DTRS is applied to acquire a lower dimensional condition attribute set, which reduces computational complexity and avoids the interference of irrelevant or redundant condition attributes. Finally, NNBC is constructed to classify rolling bearing conditions in test samples. The classification procedures by using NNBC are given. The performance of the proposed method is validated and the advantages are investigated by using a fault diagnosis experiment of rolling bearings. Experimental investigations demonstrate the proposed method is effective and reliable in identifying fault categories and fault severities of rolling bearings.     

Rough set based rule learning and fuzzy classification of wavelet features for fault diagnosis of monoblock centrifugal pump

The fault diagnosis problem is conceived as a classification problem. In the present study, vibration signals are used for fault diagnosis of centrifugal pumps using wavelet analysis. Rough set theory is applied to generate the rules from the vibration signals. Based on the strength of the rules the faults are identified. The different faults considered for this study are: pump at good condition, cavitation, pump with faulty impeller, pump with faulty bearing and pump with both faulty bearing and impeller. However, the classification accuracy is based on the strength and number of rules generated using rough set theory. Wavelet features are computed using Discrete Wavelet Transform (DWT) from the vibration signals and rules are generated using rough sets and classified using fuzzy logic. The results are presented in the form of confusion matrix which shows the classification capability of wavelet features with rough set and fuzzy logic for fault diagnosis of monoblock centrifugal pump.     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

基于改进粗糙集灰色分析的产品方案评估方法

基于改进后的粗糙集灰色分析,提出了一种用差异指数和差分系数来评估产品品质的方法,该方法结合了粗糙集处理模糊问题的长处与灰色关联分析解决多重属性决策问题的优势。经实例验证,该方法便于对产品多个方案进行评估和优选,同时操作规范、节约评估时间。     

模糊集理论在故障诊断中的应用

将模糊集理论引用到故障诊断方法中,通过对因果矩阵推导、诊断结果的确定原则分析、隶属度函数确定方式的论述,推导出面向故障诊断的模糊理论方法,并将该方法应用到某型机机载雷达故障诊断过程中。结合对某型机机载雷达故障诊断分析,证明了该方法的有效性。