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。     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

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RBF神经网络的WSN前端网络节点选取算法

为降低无线传感器网络(WSN)的能量消耗和减少节点采集信息冗余,提出一种基于RBF神经网络的WSN前端网络节点选取算法,通过将无线传感网络的分簇路由ERC协议与RBF神经网络联结起来,运用神经网络异或运算对WSN前端节点的选取,使得信息冗余节点休眠,减少网络中节点工作个数,降低节点能量损耗,从而延长网络寿命。经仿真测试,该算法可以有效选择节点,同时还验证了本算法在环境温湿度监测等方面的时效性。     

一种基于RBF神经网络的智能故障诊断方法

根据神经网络独特的容错、联想、推测、自适应、自学习等优点,针对BP网络在故障诊断应用中收敛速度慢等不足,研究了基于RBF神经网络的智能故障诊断方法.该诊断方法只需要足够的具有代表性的故障样本用以训练神经网络,然后将归一化的故障信息输入给训练好的神经网络,根据其输出结果就可以判断发生的故障类型.利用该诊断方法,对发动机转子系统故障诊断进行了仿真,仿真结果表明,基于RBF神经网络的智能故障诊断方法效果良好.     

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SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(S0M)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法,总结了凝汽器的故障集、征兆集和故障特征数据模糊处理的方法。用MATLAB神经网络工具箱实现了凝汽器故障诊断,并给出故障诊断实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

电网故障诊断专家系统中基于粗糙集理论的知识获取方法的研究

提出了电网故障诊断专家系统中基于粗糙集理论的知识获取的一种新方法,即利用分层诊断中由断路器变位信息诊断出故障区域,指导决策表中条件属性的选择,最大限度地剔除多余的条件属性,通过对决策表进行属性约简和值约简,得出故障诊断需要的诊断知识即诊断规则,并以三水地区的一个电网故障为例,说明该方法的有效性。     

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。     

网络链路故障自主检测方法

传统的网络链路故障诊断方法往往需要人工参与,而且准确性不高.针对这种情况,提出一种通信网的链路故障自主诊断方法.若已知网络管理节点能够与哪些节点通信、与哪些节点不能通信的路径信息,通过建立诊断模型和概率计算,管理节点能够自主地、实时地检测出最可能出现故障的链路范围,并通过定位过程的快速测试精确定位故障链路.仿真实验表明,该方法具有实时性、精确性,且可能不占用或只占用很少的额外带宽     

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.     

基于故障树分析和贝叶斯网络方法的液压举升机构故障诊断

为应对液压举升机故障原因复杂,诊断方法准确性不高等问题,提出一种基于故障树和贝叶斯网络的液压举升机故障诊断方法。首先建立液压举升机构故障树,然后将故障树转换为贝叶斯网络,利用三角模糊函数表示举升机底事件发生概率,得到底事件模糊概率,将其做为先验概率计算叶节点发生概率,进而求得根节点后验概率以及概率重要度,可快速诊断出故障点。     

传感器网络同步态的节点故障诊断算法

首先介绍了复杂网络同步态的概念,以传感器量测数据为节点,定义了随时间动态变化的传感器网络,采用数学分析方法定量描述了传感器网络的动力学机制,给出了传感器网络同步态的数学定义、计算方法及其实际的物理含义。理论推导表明,同步态从全局角度评价传感器网络的健康程度,以量测数据距离关联性定义复杂网络的耦合矩阵A=(aij)N×N,并以该耦合矩阵零特征值对应的左特征向量(ξ1,ξ2,...,ξN)来刻画传感器网络节点的局部细节信息,进而衍生出基于传感器网络同步态的节点故障诊断算法,实现传感器网络的故障诊断。实验仿真了由100个传感器组成的复杂网络,采集了在稳定运动60s期间的的量测数据,每个量测数据长度为5 000,其中有3个传感器处于间歇增益故障状态,以此来验证基于传感器网络同步态的节点故障诊断算法的有效性。结果表明,该算法不仅可以很好地跟踪整个传感器网络的工作状态,实时监测每个传感器网络节点的故障,而且可以利用传感器网络节点故障之间的相关性有效地识别出传感器量测数据的异常是由外界量测对象的改变还是由传感器本身故障引起的。该算法为全局评估传感器网络的工作状态和监测网络节点的局部故障提供了一个新颖可行的研究思路,期望为相关领域的研究学者提供有益的参考。     

5G承载网下基于经验小波变换和卷积神经网络的配网故障诊断方法

配电网拓扑结构复杂、分支众多、潮流分布不平衡,且存在通信网络覆盖不完善问题,给精确故障诊断带来很大难度.首先,基于5G承载网络的分布式配电网故障诊断系统,提出了网络时延和丢包模型,测试了实际网络时延.其次,提出了基于经验小波变换(empirical wavelet transform,EWT)和卷积神经网络(convolutional neural network,CNN)的故障诊断方法,对网络传输后的录波电气量进行经验小波变换,得到不同频域分量.最后,对各分量构建卷积神经网络模型,形成EWT-CNN配电网故障诊断方法,给出故障判断报告.实验结果表明,所提出的5G承载网络下的EWT-CNN配电网故障诊断方法可有效诊断出配电网故障点,且具有很好的泛化能力.     

基于压力信号的小波神经网络往复泵故障诊断

为有效提取往复泵工作时非平稳时变信号中的故障特征和将故障特征准确分类,提出以泵缸内的压力作为系统特征信号来提取故障特征向量的方法.将小波包分解的"频率-能量-故障识别"模式诊断方法引入泵阀工作状态监测中,通过改进的BP神经网络进行故障诊断.试验确定了网络的初始值,即选择学习率初始值为1.5、惯性因子为0.6、网络结构为3层的BP网络,其中隐含层的节点数为19个,即网络的结构是8-19-3.结果表明,该法降低了对原始信号处理的难度,且各阀箱内的压力之间无相互影响.该技术已应用于某船载系统的往复泵实时故障诊断中,实验验证了其有效性.     

基于SDG简化模型的工控系统数据网故障溯源方法

针对工业生产控制系统数据网的故障诊断溯源问题,提出了一种基于SDG简化模型的故障溯源解决方法。首先,基于工业生产控制系统数据网的结构特性,建立系统的SDG模型,通过分层和划域建模的方式缩小故障定位的搜索空间。在此基础上,根据业务告警发生时所提取的观测信号量,结合纵向数据和求生数据进行节点的生存分析;其次,结合工业生产系统数据网中故障特征分析,通过单节点故障判定方法判别各节点设备是否故障;最后,结合溯源诊断规则中故障溯因库的原因分类对网络故障进行根源性判定,实现故障溯源。通过测试验证的方法,验证所提方法在工业生产控制系统数据网中应用的可行性,能满足快速故障溯源的要求。     

有源网络拓扑分析与网络的故障诊断

本文研究有源网络的故障诊断问题，着重研究其可解性与可诊断性，在分析两种形式的有源网络典型支路和基础上，把无源网络的网孔方程、节点方程、回路方程、割集方程推广为有源网络下的相应方程，并提出了一组基于节点分析的故障诊断方程，最后，提出了关于网络理论第三类问题的扼要观点。