基于粗糙集理论的多源信息融合故障诊断方法

在故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题.首先,针对完备信息系统和不完备信息系统分剐提出了相应的融合算法,为解决数据超载以及不完整信息融合问题提供了有效的方法.其次,提出了基于粗糙集理论的多源信息融合故障诊断模型.该模型从包含冗余和不一致信息的原始数据出发,利用基于改进属性重要度的方法实现故障征兆属性约简;然后通过给出的值约简算法进一步产生最大广义决策规则集,建立了用于故障诊断的规则库.最后,在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据置信度、覆盖度和支持度进行综合评价,并得出诊断结论.给出的诊断实例验证了该方法的可行性和有效性.     

复杂系统的模糊故障诊断方法研究

复杂系统的故障具有模糊性与精确性的复杂特性,精确的推理方法难以有效地对复杂特性的故障进行诊断。提出模糊产生式规则与Petri网推理技术相结合的故障诊断模型,以研究模糊故障的推理诊断方法。以某发射装置控制系统为研究对象,给出一个复杂特征故障的诊断实例。研究结果表明,模糊产生式规则Petri网模型方法可以有效地对复杂系统的模糊性与精确性双重特征的故障进行推理诊断。     

基于本体的飞机舵面结构故障诊断方法

从系统工程的角度分析了飞机系统的复杂性,将飞机族的概念引入到飞机的本体建模中,并以舵面故障诊断过程为研究对象, 首先用Protégé建立了飞机本体的领域知识模型,然后将单故障和组合故障的诊断知识列为本体中的SWRL规则,最后利用 JESS推理出 新知识得出诊断结果,实现了用本体来选择修复方案的过程.该方法能够实现复杂系统的建模及故障诊断 方案的准确选择,并可通过增加新的诊断知识来完善故障诊断知识库.     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

故障特征选择与诊断规则提取的VPRS模型方法

针对实际工程系统故障诊断过程中故障特征和诊断规则难以提取的问题，提出了一种基于变精度粗糙集(VPRS)模型的故障特征选择和诊断规则提取的新方法。该方法通过选取适当的分类误差参数β，运用知识约简简化知识系统。它不仅能从实测数据中提取出最佳的故障特征参数，还可得到简化的诊断规则。对滚动轴承故障诊断的仿真实例表明，该方法有效地简化了特征参数和诊断规则，提高了故障诊断的准确率，减低了诊断成本，具有比基本RS方法更广的适用性。     

基于强跟踪滤波器的液压伺服系统实时故障诊断

为了在线监测运行工况和提高其可靠性,研究了液压伺服系统的实时故障诊断模型和方法.使用强跟踪滤波器联合估计系统的状态和未知时变参数,使用修正的贝叶斯算法检测故障和估计出故障的幅值,从而建立故障诊断模型和实现液压伺服系统的实时故障诊断.仿真结果证实了模型的合理性和可行性,参数估计误差小于1.2%.该方法对模型参数的不确定性具有较强的鲁棒性,能正确检测和分离液压伺服系统的故障.     

基于神经网络组与故障分级的故障诊断

为了更好地解决当前神经网络在故障诊断方面的不足,提高诊断的精度和正确率,提出了一种基于神经网络组和故障分级思想的故障检测方法,在将故障分级的同时使用一个包含着三个子神经网络的神经网络组来完成故障检测。根据故障发生频率的不同,将故障分成了不同的等级。故障等级越高,用于检测这种故障的子神经网络数越多,以此来保证较高的故障检测正确率。实验结果表明:对于等级最高的故障,检测正确率是100%;对于其他故障,检测正确率也都在95%左右。实验结果充分证明了此方法在故障检测方面的优越性。     

矿下电缆故障诊断的能量熵和PSO-BP算法

针对煤矿井下配电网馈线发生单相接地等故障时难以解决故障类型辨识的问题,为了保障煤矿安全生产,给出一种基于小波包能量熵结合粒子群优化BP神经网络算法的矿下电缆故障诊断方法.通过Matlab对电缆故障进行了仿真,对采集到的故障电压暂态波形进行3层小波包分解,将故障特征信号按照频率分成8段,按照信息熵理论计算特征熵能量谱,构造子粒子群优化神经网络模型,以信号的能谱熵作为特征输入向量,实现特征熵向量的分类.实验结果表明,该方法用于煤矿井下的电缆故障诊断分析是可行的,能够快速有效的检测出电缆故障.     

基于动态模拟的化工过程故障诊断

化工过程中的故障检测与诊断多通过对历史数据和知识的分析来进行.提出了一种新的故障检测与分析方法,利用动态模拟来监测化工过程,并在过程发生异常时及时进行故障诊断.这种方法所针对的是可由动态模型内部参数来表征的一类故障,这些参数可通过动态模型的在线校正获得.该方法不需要设计观测器来估算过程的不可测变量,还可以将故障检测和诊断任务同时进行.该方法被应用于了重力水箱系统和庚烷芳构化反应器系统,并同传统的参数估计方法进行了比较.     

基于系统仿真的故障检测与辨识技术研究

将系统仿真技术应用于故障检测与诊断 ( FDD) ,提出了通过实测信息的在线交互解决理论轨线偏差的思想 ,建立了基于系统仿真的 FDD逻辑结构 ,针对 MIMO系统和线性动态 -测量系统构造了具有良好统计性质的故障辨识算法 ,为故障检测、故障辨识、故障时间确定和故障模式识别提供了新的技术途径 .本文的思想和方法不但可用于 CVDS的故障检测与诊断 ,对大规模复杂系统故障分析也具有供鉴和参考价值.     

基于神经网络的故障模糊诊断研究

文章用模糊算子代替标准的传递函数，利用征兆、规则、故障间的逻辑关系进行故障诊断，构造了四层模糊结构，给出了诊断的知识流程、机理分析和诊断步骤，并推导出一种能加快网络收敛速度的故障诊断及改进算法．在对某J8-wp13发动机滑油典型故障样本和非故障样本的仿真中，诊断结果良好．     

模糊BP神经网络及其在故障诊断中的应用

概括总结了传统故障诊断系统的缺陷,介绍了模糊神经网络技术的优点及其在故障诊断中的优势,简述了采用模糊BP神经网络解决故障诊断     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.     

基于进化FCM算法的故障诊断方法

为了提高故障的诊断效果,首先利用一种改进的离散傅里叶变换方法提取故障特征,然后提出了一种扩散式遗传算法,将其与模糊C 均值(fuzzyC mean,FCM)聚类方法结合设计了一种进化FCM故障识别方法。该方法通过离线优选虚拟标准样本,达到快速、准确在线识别故障的目的,很好地解决了FCM算法经常收敛到局部极值点的问题。最后以某型歼击机结构故障为例进行了仿真验证,结果表明该方法确能有效的检测出歼击机的各种故障。     

基于主元分析及粗糙集的多变量决策树构造方法

为解决故障诊断中单一方法难于处理大规模、多变量数据信息的问题,提出了一种利用主元分析方法和粗糙集理论相结合的多变量决策树构造方法.该方法利用主元分析对历史数据进行降维、去噪处理,得到由主元变量组成的决策信息.通过粗糙集理论中核属性和相对泛化的概念对此决策信息进行属性选择和样本集划分,构造出多变量决策树,并建立诊断规则知识库.基于汽轮机发电机组的轴系振动故障分析的实例验证了此方法的正确性,与其他方法相比较具有规模小、诊断规则易于提取的特点.     

基于粗糙集的民航飞机故障诊断规则获取方法

针对传统的民航飞机故障诊断规则来源于适航审定的标准文件,不能满足改善诊断效率的要求,在建立民航飞机故障诊断的知识复合模型的基础上,从可靠性报告中提取原始数据,进而基于粗糙集对这些数据进行预处理和约简,获取新的诊断规则,有效地提高了故障诊断的效率.实例推导出新的诊断规则,实现了传统的故障诊断规则的改进,说明了方法的可行性.     

一种改进的卫星网络故障诊断算法及其评估

星际链路的加入提高了卫星网络的连通性和自治性，也使得整个网络更为复杂。故障检测与诊断是保证此类网络容错性的一项重要措施。在前面工作的基础上，提出一种改进的基于系统级诊断的卫星网络故障诊断算法，并给出诊断正确性的证明。通过仿真对算法在一种双层LEO／MEO网络中的通信开销和诊断完全率（诊断出状态的网络节点数在网络节点总数中所占百分比）进行深入分析。结果表明，改进后的算法比原来的算法具有更好的通用性和诊断完全率。     

基于比例差分型迭代学习的故障诊断算法

因为微分运算会给系统带来不良影响,所以为了避免在迭代学习算法中使用微分运算,同时又可以取得比单纯比例型迭代学习算法较快的收敛速度,将比例差分型迭代学习策略应用到故障诊断中,提出了一种新的故障诊断算法。该算法利用残差以及相邻两次残差的差分信号对引入的虚拟故障信号进行逐次修正,使虚拟故障逼近系统中实际发生的故障,从而达到对系统故障诊断的目的,并通过压缩映射方法,对故障跟踪估计器的收敛性进行了严格证明。该方法不仅可以有效地检测出系统不同类型的故障,还可以精确估计出各种故障信号。最后仿真结果验证了该方法的有效性。