SDG故障诊断决策表的粒约简算法

为了减少故障特征集的维数,降低流程系统故障诊断知识库的复杂程度,本文将基于二进制粒矩阵的粒约简算法引入到基于SDG模型的故障诊断中.以离心泵与液位系统为例,用粒语言来描述和表达SDG故障诊断模型中的元素,建立反映故障-征兆因果关系的决策表,进而对冗余属性及属性值进行约简,有效地约简了SDG诊断规则,提高了故障诊断的效率.     

基于粗糙集的立体停车库选址决策研究

提出了一种应用粗糙集理论选址方法,利用粗糙集理论建立模型,考虑到高峰时段停车数量、步行距离、土地价格等客观因素的影响,选取条件属性和决策属性建立决策表,采用差别矩阵属性约简算法进行约简,并对约简结果进行验证,最后归纳得到决策规则.以某城市一地区为例,介绍了该方法的应用,得出了该地区修建立体停车库选址的决策方法.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

基于粗糙集的最小规则生成算法

讨论了可辩识矩阵的内容的深层次含义，分析了它与属性值约简的关系，并提出了一种利用可辩识矩阵实现属性值约简的方法，分析了利用可辩识矩阵实现属性约简和属性值约简的方法，设计了基于可辩识矩阵的最佳约简的算法，使得属性约简和属性值约简得以一致计算，使知识推理过程变得统一且相对简单．     

决策表的正域约简及核的计算

为降低计算的复杂度,基于正域约简的定义,研究了决策表的约简方法及核的计算方法,构造了关于决策表对象的区分条件.探讨了该条件下正域约简与区分属性集合的关系,借助区分矩阵与区分函数提出了一种完备的约简方法,并且区分矩阵的构成无需计算正域,可直接由决策表产生.     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

属性序下的增量式Pawlak约简算法

为了对动态变化的决策表进行属性约简处理,在给定的属性序下,提出了一种基于分辨矩阵元素集的增量式Pawlak约简算法.该算法根据新增对象的不同情况快速更新分辨矩阵元素集,并依据其元素的变化,在给定属性序下快速更新Pawlak约简.实例和仿真实验结果表明,该算法是有效、可行的,与非增量式算法相比,效率平均提高91.4%.     

基于粗糙集的最小规则生成算法

讨论了可辩识矩阵的内容的深层次含义,分析了它与属性值约简的关系,并提出了一种利用可辩识矩阵实现属性值约简的方法,分析了利用可辩识矩阵实现属性约简和属性值约简的方法,设计了基于可辩识矩阵的最佳约简的算法,使得属性约简和属性值约简得以一致计算,使知识推理过程变得统一且相对简单.     

基于小波-主成分分析的离心泵故障诊断方法

提出了一种基于小波-主成分分析的故障检测方法,给出了该方法进行离心泵故障诊断的步骤.以离心泵出口压力脉动信号作为分析对象,利用改进小波算法构建其特征集;以泵的正常状态下测试数据为样本数据,经过主成分分析,对其特征集维数进行了约简,建立了特征提取模型.通过计算的距离测度的方法,实现了离心泵的故障识别.该方法改进了传统的故障智能识别方法大样本和阈值设定困难的局限性,实验验证了其有效性.     

基于神经网络的柴油机故障诊断

基于虚拟仪器技术, 开发了柴油发动机信号处理系统, 该系统数据采集由传感器与PCI-6023E数据采集卡完成, 系统软件采用LABVIEW6.0, 根据柴油发动机的典型故障, 对系统参数赋值, 利用BP神经网络对采集的数据进行处理, 进而判断发动机的故障, 试验表明该系统是可行的。     

基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

基于BP神经网络的汽车制动系故障诊断方法研究

为了更好地研究汽车制动系故障诊断方法,在汽车制动系统故障因果关系分析的基础上。利用BP神经网络相关理论,确立了汽车制动系故障神经网络模型结构,建立了3层BP网络模型。进一步应用Matlab软件对模型进行了计算实现,并对计算结果进行了分析,结果表明该模型适用性强、效果良好。     

小波包-神经网络在摆式列车倾摆控制系统故障诊断中的应用

针对摆式列车倾摆控制系统故障的特点, 研究了神经网络结合小波包分析进行故障诊断的方法, 采用小波包分解和信号重构的方法, 将在摆式列车试验台上采集到的振动信号分解到不同的频带以提取有关的故障信息, 并将振动信号各频带内的能量特征作为训练样本输入前向神经网络, 用优于改进梯度下降法的Levenberg- Marquardt优化方法对网络进行训练, 对倾摆控制系统的常见故障进行识别和诊断。实践表明, 该方法对摆式列车倾摆系统故障的诊断是可靠的。     

基于神经网络的汽车发动机故障诊断研究

将BP神经网络应用于汽车发动机故障诊断.利用实际测试的怠速不稳故障样本训练网络并进行测试.结果证明,BP神经网络应用于汽车发动机故障诊断,效果良好,具有较高的诊断效率和准确度.     

基于BP神经网络和振动测量的轴承故障诊断

根据BP算法神经网络模型,通过对轴承振动测量的分析,得到故障诊断的方法。阐述BP神经网络应用于轴承故障的基本步骤,包括BP网络结构、状态编码、网络训练、模式识别以及诊断实例分析。指出了BP神经网络在轴承故障诊断中的应用中存在的问题和发展方向。     

基于形态学分形维数的输电线路故障选相方法

输电线路故障信号是一种典型的非线性信号,分形几何理论为描述非线性故障信号的特性提供了一个有力的分析工具。针对传统分形维数的局限性,本文提出了一种基于局域均值分解（local mean decomposition,LMD）-形态学的分形维数-Elman神经网络的输电线路故障选相新方法。该方法通过对故障电流进行相模转换后,对单一线模分量进行LMD分解得到若干乘积函数（product function,PF）分量,然后选取前4个PF分量进行数学形态学的分形维数估计,最后形成特征向量作为Elman神经网络的输入参数。仿真试验表明：提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,与传统的BP神经网络相比,Elman神经网络具有更好的效果,为准确判断输电线路故障选相提供了一种快速有效的新方法。