基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.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.     

基于粗糙集与神经网络的故障诊断研究

基于粗糙集理论,尝试利用分辨矩阵的基本思想,对连续的征兆数据进行离散化处理,并利用遗传算法的并行能力和全局寻优能力,在保证分类能力不变的情况下,根据实际情况通过知识约简,确定最优决策系统;并在此基础上设计出BP网络对故障进行诊断.结果验证了采用粗糙集与神经网络相结合的方法对发动机过热故障诊断的可行性、实用性与有效性.     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

基于粗糙集与神经网络的故障诊断方法研究

提出了基于粗糙集和神经网络的故障诊断方法。采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入。仿真结果表明,经粗糙集理论优化后的样本集进行神经网络训练,提高了神经网络的学习速度和故障诊断正确率,减少了训练时间。     

基于K-Means和粗糙集神经网络的节点故障诊断

传感器节点通常被随机布撒于环境恶劣甚至无人能及的区域,容易发生各类故障.为了解决此问题,研究了基于K-Means算法和粗糙集神经网络的节点故障诊断方法.首先,采用改进的K-Means算法离散化数据连续属性值;然后,通过粗糙集互信息法对数据属性进行约简,以提高诊断效率;最后,建立三层的BP神经网络故障诊断模型,通过蛙跳算法对权值优化得到最终的故障诊断模型.仿真实验证明文中方法能实现传感器节点故障诊断,且与其他方法相比,具有较高的故障诊断精度和较少的诊断时间.     

粗糙集与神经网络集成在故障诊断中应用研究

提出了SOM网络－粗糙集－BP网络集成进行故障诊断的方案；首先应用SOM网络离散化故障诊断数据中的连续属性值；然后基于粗糙集理论计算诊断决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统的基础上设计BP网络进行故障诊断，4135柴油机的实际诊断结果验证了所提出的民粗糙集理论相结合进行故障诊断的可行性，在数据充分的条件下，该方案可以推广应用于其他机械设备。     

模糊神经网络在变压器故障诊断中的应用

提出并研究了模糊神经网络在变压器故障诊断中的应用问题。以油色谱分析数据作为输入，故障类型作为输出，建立了邦联诊断的模糊网络模型。故障实例的测试结果表明了这咎方法的有效性。     

基于MEA的粗糙集神经网络研究及应用

将思维进化算法、粗糙集和神经网络相结合,提出一种基于MEA的粗糙集神经网络,用于变压器故障诊断。此模型采用思维进化算法全局寻优的特点,搜索粗糙集属性约简离散断点的位置以及神经网络的连接权值和阈值,避免了常规粗糙集属性约简时复杂的手工试凑以及BP神经网络收敛速度慢、精度不高等缺点,有利于更快地收敛于全局最优解,提高系统的诊断速度和准确率。仿真结果表明了方法的有效性。     

粗糙集-神经网络故障诊断方法研究

从人工神经网络故障诊断模型的特点出发 ,利用粗糙集理论解决该模型应用中的主要问题 ,包括进行训练样本质量研究 ,定义相关概念 ,给出故障特征提取算法等 ,提出了粗糙集 神经网络智能混合系统模型 ,分析了该模型的实现步骤 ,结合具体实例验证了上述理论的正确性·利用SAS软件进行了数值仿真·结果表明 ,提出的理论较好地解决了神经网络结构、训练样本的大小、样本质量等对人工神经网络的精度及泛化能力有直接影响的问题 ,减少了训练所需的计算量和时间 ,提高了模型的正确率·     

基于粗糙神经网络的故障诊断技术研究

针对故障诊断中设备监控数据越来越多的特点,提出用于故障诊断的粗糙神经网络模型。此模型的创新点是基于SOFM网络和差别矩阵的离散化算法,此算法不但指导属性划分类数,而且保证了得到最优属性约简,同时,充分利用了粗糙集和神经网络的故障诊断能力来保证诊断结果的准确性和彻底性。实践证明:此模型在工程上有着很好的适用性和可信性,能够为解决现代工业工程中的故障诊断提供有效的参考。     

基于粗糙集与模糊神经网络的多级压缩机诊断

为解决多级往复式压缩机故障诊断这一复杂问题,提出了一种棋于智能互补融合的智能诊断策略、该策略利用粗糙集理论对数据样本进行党费,形成初步的诊断规则,并基于该结果形成模糊神经网络,再利用网络的分类逼通能力,建立从故障状态空间至解释空间的精确映射,从而达到故障诊断的目的,另外,还提出了一种基于误差反馈的节点函数特性变化模糊神经网络逼近器和新的数据党费度量指标－数据蒸发率,对一台四级压缩机的故障诊断结果表明,提出的新方法具有诊断率和数据蒸发率高、结果易于被人理解、诊断计算最小等优点。     

基于粗糙集理论的人工神经网络故障诊断系统

在故障诊断神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的神经网络分层的简并剔除其中不必要的属性,克服了网络规模过于庞大及分类识别速度慢等缺点,取得了减少分类过程中的模式匹配搜索量的良好效果,并给出基于粗糙集理论的分层发掘神经网络模型结构及算法,结果表明该系统对工程应用具有一定的参考价值。     

神经网络在变压器故障诊断中的应用

根据变压器故障诊断的特点,采用神经网络的误差逆传播算法,运用气相色谱分析方法,建立故障诊断的神经网络模型．运用人工神经网络的学习能力,通过对训练数据的学习,判断变压器的故障类型．     

模糊粗糙强耦合神经网络在TEP故障诊断中的应用

单纯的粗糙集和神经网络在故障诊断方面存在着各自的优缺点,将粗糙集与模糊神经网络相结合的同时,利用粗糙集提取的规则融入神经网络结构中,从而构造了一个模糊粗糙强耦合神经网络结构,并将其运用于TEP(Tennessee-Eastman process)故障诊断中,取得了较好的故障诊断结果.     

基于VPRS和RBF神经网络的WSN节点故障诊断

为保障油料供给的安全性,研究无线传感器网络(WSN)节点故障诊断的可行性策略,提出变精度粗糙集(VPRS)和RBF神经网络结合的故障诊断方法.该方法由运行中的汇聚节点实时获取子节点故障征兆,建立初始决策表,利用VPRS作为前端处理系统,对初始决策表进行约简,删除冗余的、不重要的属性征兆,并将约简后的结果输入RBF神经网络实现节点故障识别.仿真实验结果表明:对于具有显著不确定性的WSN节点故障诊断,该方法能够准确快速地得出诊断结果,鲁棒性和适用性更强.