基于粗糙集和支持向量機的智能故障診斷方法研究.pdf

1、隨著控制理論、信號處理、人工智能、模式識別等學科技術的發(fā)展，故障診斷技術也在不斷朝著智能化的方向發(fā)展。各國都開展了這方面的研究，并且取得了豐富的研究成果。目前智能故障診斷面臨的主要難題是典型故障樣本的嚴重不足以及診斷知識的發(fā)現問題，這兩者都制約著故障診斷的發(fā)展，支持向量機和粗糙集理論為這些問題的解決提供了很好的途徑。 本文以支持向量機在故障診斷應用中需要解決的關鍵問題為主線，在基于粗糙集理論的連續(xù)屬性離散化、故障樣本的屬性約簡、

2、故障分類器模型的建立等方面進行了較為系統(tǒng)、深入的研究。完成的主要內容如下： 1.粗糙集理論是一種基于離散數據進行處理的方法，為此提出了一種基于區(qū)間數據分布特征的連續(xù)屬性離散化的方法。該方法在斷點的選擇上考慮了屬性值的出現頻率，在區(qū)間內的一致性和區(qū)間之間的差異性基礎上，利用條件信息量作為反饋信息合并區(qū)間，使得屬性擁有較少的分割點，使規(guī)則集合更加簡潔。 2.提出了一種基于差別矩陣的啟發(fā)式屬性約簡算法。該算法在綜合考慮了所選擇

3、條件屬性與決策屬性的互信息及條件屬性的取值分布情況的基礎上，從信息論角度定義了一種新的屬性重要性度量參數，并將其作為基于差別矩陣屬性約簡的啟發(fā)式信息，獲得了比較理想的約簡結果。 3.一般支持向量機只能解決兩分類的問題，但是在實際的情況中往往多數是多值分類的問題。本文對支持向量機的兩分類以及多分類算法的實現進行了研究，通過仿真分析比較了不同多分類方法的性能及特點。 4.為了提高故障診斷的效率和可靠性，把粗糙集理論和支持向量