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.     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S(Dempster-Shafer)证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

基于数据挖掘模型的配电网故障定位诊断

由于配电网故障定位所依据的故障信息来自于户外的FTU，其运行环境较恶劣，元器件受损或信息丢失的可能性高，易形成变异故障模式，导致故障定位的错判，提出基于粗糙集（RS）理论和遗传算法（GA）相结合的数据挖掘（DM）模型来处理实时输入信息的畴变和实现配电网的故障定位。首先通过RS对变异故障信息域的数据集进行划分，再用GA挖掘出输入信息与故障定位诊断结果间冗余关系及内在关联性规则。经仿真测试证明，基于DM模型的故障定位与基于常规前馈神经网络（FNN）故障定位原理相比，前者具更高的容错性能。     

一种故障诊断方法的改进

在粗糙集理论与神经网络结合的故障诊断方法中,当故障诊断系统中条件属性的个数较多时,可采用一种先分块建立决策表再约简的方法。笔者对该方法的可行性和算法的时间复杂度进行了分析,结果证明,分块建立决策表是可行的,可以降低约简的复杂度,从而缩短约简工作的时间。     

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。     

基于改进角分类神经网络的变风量空调系统故障诊断

针对变风量空调系统的故障诊断问题及其特点,提出了一种基于改进角分类神经网络--FDCC的故障诊断模型.该模型克服了CC4角分类神经网络输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断,并输出结果向量,其各分量为各故障原因可能出现的概率.     

基于多网络模型的工程机械液压系统故障诊断研究

提出一种针对工程机械液压系统的多网络模型的故障诊断方法。该网络模型以广义回归神经网络(General regression neural network,GRNN)为基础,引入全局递归的反馈机制,构建动态GRNN模型。该方法首先为多个目标故障建立同等数量的动态GRNN目标故障模型,计算每个目标故障模型的检测阈值;然后,将测试故障样本代入每个目标故障模型中,当其残差平方和在对应阈值范围内即可确定故障类型。实验结果表明:多网络模型的故障诊断方法准确地诊断出95%以上的系统故障。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

一种新的高压线路振荡选相元件

提出了一种基于阻抗相对变化的高压线路保护选相新原理,用作振荡期间的选相元件.对接地故障,利用零序、负序电流之间相位差进行分区,每个分区包括某相单相接地和另外两相短路接地两种故障,根据故障环上的测量阻抗为一恒定数值,而非故障环上的测量阻抗随振荡变化这一特征,来得到选相结果.本元件提高了振荡中不对称接地故障的选相速度,不受系统运行方式和分支系数的影响,且易于实现,在现有的微机保护装置中可以直接使用.动模数据仿真表明,新选相元件具有较快的选相速度,文中算例可以在60 ms内选出故障相.     

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。     

系统诊断的模糊模型

本文在PMC模型的基础上,利用模糊理论提出了更接近于实际的模糊模型,讨论了各单元重要程度及故障的隶属函数的建立,论证了该模型的F-t一步和顺序可诊断性,得到了与PMC模型平行的新结论.     

智能输电线路故障诊断系统在广东电网中的应用

结合智能化输电线路故障诊断系统在广东电网的应用,详细地介绍了该系统装置的组成与监测原理,结合现场记录的故障,分析了该系统能对输电线路故障跳闸做出准确判断的原因,指出该系统提高了输电线路运行维护水平,并为降低跳闸率、提高供电可靠性提供了重要的技术支撑。     

基于故障边界条件的高压输电线路故障选相元件

提出了一种适用于电力系统振荡的高压输电线路故障选相新方法．该方法利用零序和负序电流之间的相位关系将接地故障分成3个区域，每个区域存在单相接地和另外两相短路接地两种故障类型，分别计算这两种类型故障点的三序电压，判别其是否满足各自故障的电压边界条件，以此确定实际故障相别．新选相元件解决了电力系统振荡时可能发生的误选相问题，具有较强的耐过渡电阻能力，并且完全不受分支系数和系统运行方式的影响．数字计算机离线仿真和实时数字仿真系统实验都证实了新选相原理的准确性和有效性．     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

基于粗糙集的机载电子设备故障检测专家系统的改进

由于机载电子系统的故障征兆和故障原因之间的对应关系较为复杂,设备故障诊断领域的某些经验性专家知识具有一定的模糊性和不确定性,因此本文利用粗糙集理论较强的数据分析能力和容错性,通过对专家系统中存在的冗余信息进行约简并剔除不必要的属性,降低了故障诊断专家系统构成的复杂性,并明显改善了专家系统的整体效能.