基于决策支持度的不完备信息系统约简算法

提出了一种基于决策属性支持度的属性相对约简算法。通过引入决策属性支持度对不完备决策表中属性的重要性进行了定义,并以此作为启发信息进行属性的选择,该算法的时间复杂度是多项式的。寻找决策表中最小相对约简问题是典型的NP-hard问题,采用该算法可降低问题复杂度。通过实例说明,该算法能得到不完备决策表的最小相对约简。     

基于粗糙集的温室无线传感网络节点故障诊断

针对系统资源有限、不适宜运行复杂故障诊断算法的问题,提出基于粗糙集的温室无线传感网络节点故障诊断方法.结合网络体系结构,以资源丰富的汇聚节点为中枢,在运行过程中在线判别其子节点故障征兆,通过简单地查故障诊断决策表的方法来诊断子节点故障类型;从系统的、模块化的角度构建的子节点故障征兆、故障类型具有相关性,在简化决策的同时也造成了决策表的冗余,运用粗糙集及其数据约简理论设计一致数据启发式子节点故障诊断约简算法来约简冗余,建立了更简洁的子节点故障诊断决策表.结果表明,基于粗糙集能够实现在线简便的故障诊断,并可节约子节点系统资源.     

基于数据库系统的知识约简算法

该文基于粒度和粒度计算,设计了信息系统约简以及决策表约简算法,实例证明了算法的有效性。文中分析了算法的时间复杂度,并同几种主要知识约简算法做了对比,结果表明该文算法时间复杂度最小。     

基于粗糙集理论和贝叶斯网络的断路器故障诊断方法

为了快速准确地诊断出断路器的故障原因,笔者提出了一种断路器的故障诊断方法。该方法以粗糙集理论为基础,建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则。基于最小故障诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推断。经真空断路器故障的实例分析表明,该方法是可行有效的。     

基于粗糙集的装备故障诊断系统的算法研究

通过设计基于粗糙集的装备故障诊断系统框架,以大屏幕投影系统的设备故障记录作为样本集,研究了粗糙集在装备故障诊断系统中的应用。针对数据预处理中缺失数据的填补问题,采用粗糙集理论和统计学理论相结合的方式,最大限度的保留了原始信息、产生规则的数量和可靠性;针对知识约简中规则生成速度慢等问题,采用了基于粒计算的粗糙集知识发现算法,将决策表中的属性集转换为二进制的矩阵对象,把复杂的知识约简转化为矩阵运算,降低了知识约简的时间复杂度,提高了生成规则运算效率,实现了故障诊断知识的快速自动获取。     

基于粗糙集理论和因果图的故障诊断

【目的】复杂系统发生故障时会导致许多冗余信息产生，以此建立的因果图模型结构复杂，推理难度较大，针对这个问题提出了基于粗糙集和因果图理论的故障诊断方法。【方法】先根据历史故障数据建立决策表，利用粗糙集理论对决策表进行属性约简得到最小决策表，再根据最小决策表对原始因果图进行约简，最后利用约简后的因果图模型进行故障诊断推理。【结果】从一定程度上降低了因果图模型的复杂程度，从而提升了推理速度。【结论】以某电网为例应用此方法，因果图模型的确得到了简化，样本检验结果也与实际结果一致，说明了该方法的可行性和准确性。     

基于粗糙集理论旋转机械频域特性的故障诊断

应用粗糙集理论将旋转机械转子的频域信息作为研究对象, 从转子故障实验的频域图表及其相关数据中, 构造符合粗糙集理论要求的决策表, 并对决策表进行约简, 得到旋转机械故障诊断的决策规则, 通过区分矩阵和区分方程寻找决策表的约简和核, 最后优化鳞选出决策表的最小约简形式.     

一种不完备决策表的改进约简算法

由于在现实中,大部分信息系统是不完备的,有可能是不一致的。所以,针对现有属性约简算法的不足,在覆盖粗糙集理论和最大一致块技术的基础上提出了一种新的运用表存储可辨识属性集的不完备决策表的改进约简算法,该算法同时适用于一致决策表和不一致决策表,通过算法可求得决策表属性集的上约简、下约简,实现决策表的属性约简,有效地降低了算法的空间复杂度,提高了算法效率,具有一定的现实指导意义。     

基于属性分辨度的不完备决策表属性约简算法

针对现有不完备决策表属性约简算法复杂度较高的问题,提出了基于属性分辨度的属性约简算法.文中分析了不完备决策表中条件属性相对于决策重要性的外在表现,提出了属性分辨度的概念,并给出了属性分辨度随着约简属性集的变化而动态更新的计算方法.该算法在属性约简过程中会不断删除已经属于正域的对象或不影响正域计算的相容块,通过降低样本数据的规模来减少计算耗时,加速属性约简.理论分析和仿真实验表明,文中算法是有效的,并且算法复杂度优于现有的不完备决策表属性约简算法.     

基于动态约简的铁路牵引供电系统故障诊断研究

对铁路牵引供电系统中的复杂信息进行采集并构建决策表,基于动态约简方法建立故障诊断数学模型,降低了已有诊断方法中对专家主观判断的依赖性,提高了故障诊断结果的可靠性。后对津山线牵引供电系统的故障情况进行了分析。     

基于无损约束降噪稀疏自编码的滚动轴承故障诊断技术

在滚动轴承故障诊断过程中,时域振动信号容量大且易受噪声污染,难以建立准确的故障诊断模型。针对上述难题,本文采用无损约束降噪方法对稀疏自编码进行优化,提出了基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。该方法可直接作用于时域振动信号,消除对人工特征提取的依赖性,无需降噪预处理,降低了故障诊断模型建立的难度。为验证本方法的有效性,利用滚动轴承时域振动信号进行仿真实验,并对诊断过程中学习到的故障特征进行可视化分析。实验结果表明,本方法可以在噪声数据下建立有效的故障诊断模型,且比传统的栈式稀疏自编码诊断算法具有更强的噪声鲁棒性。     

基于知识的歼击机起飞爬升阶段的故障诊断与报警

针对歼击机的起飞、爬升阶段 ,数据量大且复杂 ,对故障诊断要求精度高 ,实时性好 ,设计出粗集和神经网络相结合 ,分层诊断的方法 ,先定故障的类型 ,然后定故障的度 .其中在粗集诊断部分 ,提出了适合该研究对象的离散和简约方法 ,从而得到了少量但足够用的决策规则 ,使得实时诊断程序结构简单 ,实时性好 .包含诊断和报警模块的实时程序证明 ,此方法可以达到精度和实时性要求 .     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于本体故障树的关键机组诊断决策研究

为了满足石化企业连续性工作设备或机组在发生故障后对故障原因进行快速定位的要求，将本体先进的知识表示方法引入到成熟的故障树研究中，提出了基于本体的故障树构建方法，并通过对生成的故障树进行定量分析，计算出故障判明效时比，以其从大到小的顺序为依据找到故障诊断最优路径，实现了本体和故障树的优势结合.该方法在知识共享和重用的基础上，实现对故障的快速诊断定位，从而提高了故障诊断效率，减少了企业的生产维护成本.     

基于粗糙集的传感网络节点故障诊断方法研究

传感网络节点一般分布于环境复杂的区域,当前故障诊断方法诊断精度低,虚警率高,整体性能低。提出一种基于粗糙集的传感网络节点故障诊断方法,给出传感网络结构图,采用粗糙集方法,通过过滤传感网络节点故障数据不关键属性集,得到简化的节点故障属性集,保持了分类能力,提高了运行效率。通过对传感网络故障节点数据进行约简,减少传感网络节点故障数据特征向量维数。建立简化层次各异的传感网络节点故障诊断决策网络,对故障诊断决策规则覆盖度进行分析,求出所有符合既定采集规定的诊断决策规则集,完成新故障状态的处理,实现传感网络节点的故障诊断。实验结果表明,所提方法不仅具有很高的诊断精度,而且虚警率低、整体性能高。     

一种基于综合智能计算的模拟电路故障诊断方法

文章针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于粗集-主成分分析的模拟电路故障诊断的方法。这种方法利用粗集理论属性约简、数据归一化、主成分分析对输入数据进行预处理,提取主要参数,然后利用神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。对标准电路仿真结果表明:该方法能够实现快速故障检测与定位,具有准确率高的特点。     

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.     

基于粗糙集理论多区域并行神经分类器在变电站故障诊断中的应用

针对变电站故障诊断中不确定信息多和实时性要求高的特点,以变电站的开关保护信息为基础,提出了一种基于粗糙集理论和神经网络理论的多区域并行神经分类器的变电站故障诊断方法.该方法首先将变电站故障划分为多个独立的故障单元,针对每个区域故障单元建立故障模式库,利用粗糙集的知识约简和不确定信息的处理能力,对故障模式库并行挖掘,实行属性优选,再运用神经网络对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示该方法不仅能缩小问题求解规模,实时性高,而且具有较强的抗干扰能力,是一种有效的变电站故障诊断方法.     

改进测度下的模糊C均值三元催化器故障诊断方法

针对采用物理建模刻画三元催化器故障演化精确性不足问题,提出一种基于尾气大数据的改进测度模糊C均值(FCM,fuzzy c-means),故障诊断方法。该方法包括分数阶傅里叶变换(FRFT,fractional fourier transform)下的故障特征提取与优化、核熵成分分析(KECA,kernel entropy component analysis)下的分形故障特征降维以及改进相似测度下的FCM故障特征聚类。首先,对不同工况的尾气数据进行FRFT处理,获取三元催化器从时域到频域的精细故障信息,同时利用粒子群算法(PSO,paticle swarm optimization)选取最优的FRFT特征,并由分形算子给出相应精细特征的分形维数;其次,借助KECA对候选的高维分形特征进行维数约简;最后,将获得的故障特征提交给改进测度的FCM故障分类器完成故障诊断。数值实验结果表明,较之采用欧式距离或余弦距离的FCM方法,研究方法的故障诊断精确度更高。     

基于改进时间模糊Petri网配电网故障诊断方法

配电网设备可靠性地区差异大,故障诊断自动化程度低.为保证能够快速精确地做出故障诊断,提出了一种基于改进时间模糊Petri网配电网故障诊断新方法.首先利用保护断路器信息、报警信息、状态信息和电气量来纠正断路器动作信息,确定停电区域;然后根据动作的断路器能够保护的范围确定可疑故障元件,利用带时标的保护断路器信息,针对可疑故障元件建立时间模糊Petri网模型进行故障诊断.模拟测试表明,此方法提高了配电网故障诊断速度和准确度,具有良好的实用价值.