FAULT DIAGNOSIS OF ROTATING MACHINERY USING KNOWLEDGE-BASED FUZZY NEURAL NETWORK

A novel knowledge-based fuzzy neural network （KBFNN） for fault diagnosis is presented. Crude rules were extracted and the corresponding dependent factors and antecedent coverage factors were calculated firstly from the diagnostic sample based on rough sets theory. Then the number of rules was used to construct partially the structure of a fuzzy neural network and those factors were implemented as initial weights, with fuzzy output parameters being optimized by genetic algorithm. Such fuzzy neural network was called KBFNN. This KBFNN was utilized to identify typical faults of rotating machinery. Diagnostic results show that it has those merits of shorter training time and higher right diagnostic level compared to general fuzzy neural networks.

基于粗糙集-RBF神经网络的水电机组故障诊断

由于水电机组监测数据量过大,基于神经网络的故障诊断存在网络结构复杂,训练时间长的问题,本文将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。利用粗糙集理论在处理不确定信息方向的优点,在保持分类能力不变的前提下,去掉机组的冗余信息,保留必要的要素,并结合RBF神经网络对预处理后的信息进行诊断,使神经网络的输入神经元数目明显减少,其结构也得以简化,可以有效地提高故障诊断准确度。通过对实测机组振动数据进行诊断,证明了该诊断方法的有效性。

粗糙集理论在故障诊断中的应用综述

在处理模糊和不确定性信息上的优越性使得粗糙集理论已被广泛地引入复杂系统的故障诊断中。对粗糙集理论以及粗糙集与其他智能方法的集成在故障诊断中的应用进行了详细的介绍,并对其中一些关键技术进行了描述,最后指出这一领域有待进一步研究的问题和发展趋势。

粗糙集、神经网络和专家系统模型用于电力系统故障诊断

针对电力系统变电所故障诊断系统中含有大量不确定信息和实时性要求高的特点,以电力系统变电所开关保护信息为基础,基于智能互不融合的思想,将粗糙集、神经网络和专家系统有机结合在一起,提出一种电力系统变电所故障诊断的新方法。首先在数据采集和预处理的基础上,利用混合聚类法对原始故障诊断样本进行离散化处理,然后利用粗糙集理论对样本决策表进行属性约简,删除冗余信息,得到能够覆盖原始数据特征的具有最小条件属性的相应学习样本集。再运用径向基函数(RBF)神经网络对故障诊断知识进行模式识别,并结合专家系统,利用其推理判断能力,对RBF神经网络的某些输出结果进行必要的修正。最后通过故障诊断实例,说明了方法的有效性。

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。

粗糙集理论在智能故障诊断中的应用

神经网络和规则推理是智能故障诊断的两种重要方法。给出了粗糙集理论在这两种系统中的应用 :粗糙集—神经网络 (RNN)系统。粗糙集作为神经网络系统的预处理 ,仿真结果表明 RNN系统提高了诊断准确率和诊断速度 ;粗糙集用于故障诊断专家系统的规则获取 ,可得出确定性规则和可能性规则。结果表明粗糙集方法能处理由于类重叠引起的样本信息不精确、不一致情况下的规则获取 ,消除故障诊断中的误报和漏报现象对诊断性能的影响。

基于多方法组合诊断模型的大型变压器故障诊断

电力变压器故障征兆与故障原因之间的关系错综复杂,而单项诊断方法由于信息特征独特、考虑角度单一,往往很难满足故障诊断的要求。因此,提出了在变压器故障诊断中采用多种方法组合诊断的思想,以克服单种方法的偏好对最终诊断结果所产生的影响。该方法采用模糊C均值聚类(FCM)诊断法、BP神经网络诊断法、粗糙集理论故障诊断法和IEC 60599推荐的三比值法这4种诊断方法作为独立的单项诊断方法,根据各自诊断的误判率,按照诊断误差平方和最小的原则计算出各个诊断方法的最优权重,形成最优投票组合模型,再求出最大发生概率的故障类型。诊断结果表明,该方法与单项方法相比,大大降低了诊断误判的风险,提高了故障诊断的准确率,增强了故障诊断的稳健性。

水电机组振动故障的粗糙集-神经网络诊断方法

针对当前水电机组故障原因复杂,实际监测数据量大,采用神经网络方法进行机组故障诊断存在网络结构复杂、训练时间长、诊断困难的问题,文章将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。在保持分类能力不变的前提下,用粗糙集理论对故障信息进行约简处理,然后用RBF神经网络对预处理后的故障信息进行诊断,使神经网络的输入神经元数目明显减少,其结构得以简化。通过对某电站实测机组数据进行离线故障诊断,证明该诊断方法有效提高了机组故障诊断的效率和准确性。

基于知识的模糊神经网络的旋转机械故障诊断

提出了一种基于知识的模糊神经网络并用于故障诊断.首先基于粗糙集对样本数据进行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据规则数目进行模糊神经网络结构部分设计,规则的依赖度和条件覆盖度用于设定网络初始权重,而用遗产算法对神经网络输出参数进行优化.这样的模糊神经网络称为基于知识的模糊神经网络.使用该网络对旋转机械常见故障进行诊断,结果表明,和一般模糊神经网络相比,该网络具有训练时间短而诊断率高的特点.

基于粗糙集理论的列控车载设备故障分析方法

快速、准确的故障诊断技术是高速列车安全运行的重要保证,本文以此为目标,对列控系统故障诊断方法进行研究,将神经网络算法NN分别应用于列控系统车载设备应答器传输单元BTM、列车接口单元TIU的故障诊断中,通过对比故障识别准确率BTM为训练阶段19.89%、测试阶段36.51%,TIU为训练阶段96.93%、测试阶段94.84%,得出当数据中噪声较大时,神经网络的分类能力降低。为了解决以上问题,引入粗糙集理论进行属性约简、去除噪声,用神经网络进行故障识别,最终得出BTM的故障识别准确率为训练阶段93.32%、测试阶段97.41%,TIU为训练阶段99.21%、测试阶段96.72%,表明粗糙集理论和神经网络的结合RSTNN能够保证故障诊断的准确性,从而验证该方法在实现列控系统车载设备故障诊断方面的有效性。

基于粗糙集理论的旋转机械故障诊断方法

粗糙集理论是一种新的数据分析和处理方法,使用粗糙集理论可以对决策表进行简化,去除冗余属性。该文针对旋转机械故障诊断问题,计算旋转机械振动故障数据库中的频域征兆,使用粗糙集理论对其进行约简,根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。结果表明:使用粗糙集理论可以在保留分类能力不变的前提下,去掉诊断中的不重要的要素,保留重要的要素,从而可以简化对诊断信息的需求。对故障样例的诊断结果也表明:得到的规则基本上是可信的。

基于Web模式的变压器绝缘故障诊断系统

提出了一种基于Web模式、应用多种智能诊断方法的变压器绝缘故障诊断系统,讨论了系统设计及诊断流程等内容。该系统通过Internet或Intranet可方便地远程诊断与管理电力设备,其诊断效果、可移植能力、可更新能力比以前的系统有较大提高。

电力系统故障诊断中的智能化方法及其应用

本文较详细地阐述了粗糙集理论、人工神经网络、模糊集理论的发展及其在电力系统故障诊断领域中的应用 ,并对其他一些智能方法进行了简要介绍。

基于粗糙集的容错神经网络故障诊断系统

粗糙集和神经网络在故障诊断中都得到了广泛的应用,但两者都有其局限性,同时在许多方面有其互补性,融合粗糙集和神经网络各自的优势,建立了粗糙集——容错神经网络故障诊断系统。利用粗糙集对原始数据进行简约,导出最简诊断规则,根据选择的冗余约简和最简诊断规则建立粗糙集——容错神经网络故障诊断系统。以滚动轴承故障诊断为例,仿真结果表明系统提高了故障诊断准确率和诊断速度,消除了故障诊断中的误报和漏报现象。

基于粗糙集决策网络的故障诊断规则提取方法

针对故障诊断信息的不一致性,提出一种基于粗糙集决策网络的故障规则提取方法。将故障诊断决策系统通过分辨矩阵和分辨函数进行属性约简后,构造出一个不同简化层次的决策网络。将属性约简集作为网络初始节点,根据网络节点得到决策规则集;同时,为了有效滤除噪声,在置信度的基础上引入了规则覆盖度的概念,对提取的规则进一步评价,最终提取有效的诊断规则。旋转机械故障实例验证了该方法的有效性。

基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.

基于粗糙神经网络的歼击机操纵面智能故障诊断

提出了一种基于粗糙神经网络的歼击机操纵面故障诊断方法 .给出并证明了可利用粗集方法对故障信息进行快速特征提取的方法 ,用其作为神经网络的前置系统进行信息预处理 ,减少了所需样本数目 ,从而简化了神经网络结构 ,减少了网络训练时间 ,并且充分利用了神经网络容错及抗干扰能力 ,有效地降低了故障诊断中的误报率和漏报率 .该方法可以进行组合故障的诊断 ,且具有较好的鲁棒性 .

基于粗糙集理论的规则修正方法

基于粗糙集理论分别给出了确定性决策规则和可能性决策规则的获取与修正的理论和方法 ,给出一种利用粗糙集理论解决在增加样本数量情况下的动态规则获取方法。滚动轴承的故障诊断实例证明了该方法的有效性。

粗糙集理论在故障诊断规则获取中的应用

本文的目的是给出一种利用粗糙集理论解决故障诊断的规则获取问题的方法 ,该方法的特点是可以处理由于类重叠引起的样本信息不精确、不一致情况下的规则获取 .以规则形式表示的知识接近于人脑推理过程 ,因此基于规则的诊断方法在故障诊断中得到广泛使用 ,但规则获取是其瓶颈之一 .粗糙集 (RS)理论是为开发自动规则生成系统而提出的 ,其主要思想是在保持分类能力不变的前提下 ,通过知识约简 ,导出概念的分类规则 .因此 ,可以把 RS理论用于规则的故障诊断中 .本文给出了基于决策矩阵和决策函数的获取规则方法的流程图 ,以故障诊断实例说明其使用方法 。

基于局域波-粗糙集-神经网络的故障诊断方法研究

提出了一种基于局域波-粗糙集-神经网络的智能故障诊断方法。首先通过局域波法进行故障特征提取,获取能够反映设备运行状态的由局部能量组成的特征向量;接着应用粗糙集理论对样本特征参数进行属性约简,去除冗余信息,获取最优的决策系统;最后根据最优决策系统来构造RBF神经网络,并进行故障诊断。以柴油机缸套活塞磨损故障为例,详细说明了基于粗糙集-局域波-神经网络的故障诊断方法的原理和步骤。诊断结果证明了此方法的有效性。