基于粗糙集和支持向量機的故障診斷方法研究.pdf

1、隨著計算機工程和人工智能技術(shù)的迅速發(fā)展，尤其是知識工程、粗糙集理論和人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進一步應(yīng)用，故障診斷和檢測技術(shù)正向智能化方向發(fā)展。粗糙集理論能有效地分析和處理具有不精確、不一致、不完整等特性的各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示內(nèi)在的規(guī)律，而且不需要任何先驗知識。支持向量機作為一種專門研究小樣本情況下的學(xué)習(xí)規(guī)律的統(tǒng)計學(xué)習(xí)理論，具有優(yōu)秀的性能、完備的理論基礎(chǔ)。當(dāng)故障樣本的征兆比較多時，支持向量機的學(xué)習(xí)速度會很慢，直接用

2、這些原始數(shù)據(jù)進行故障診斷的效率比較低。粗糙集理論可以在故障診斷之前對樣本進行預(yù)處理，以去掉冗余屬性，在不失數(shù)據(jù)完備性的前提下降低數(shù)據(jù)維數(shù)，簡化診斷過程，提高診斷效率。因此，將支持向量機與粗糙集理論結(jié)合起來完成故障診斷是很有現(xiàn)實意義的。
　　 本文利用粗糙集理論在約簡屬性方面的優(yōu)秀性能和支持向量機分類的機理，對其在故障診斷中的應(yīng)用進行了探索性研究。本文主要研究了以下幾個方面的內(nèi)容：
　　 (1)屬性約簡算法。屬性約簡是粗糙

3、集理論研究的核心問題之一，本文對基于相對差異比較表的屬性約簡算法[29]進行了研究，發(fā)現(xiàn)該算法并不適用處理不相容決策表，為此引入了決策表正域的概念，對相對差異比較表進行了修正，同時結(jié)合決策表條件屬性重要性信息，提出了一種改進的相對差異比較表屬性約簡算法，并通過實例，驗證該算法的有效性。
　　 (2)值約簡算法。現(xiàn)有的決策規(guī)則挖掘算法多是以研究屬性約簡過程為主，其實，值約簡過程也是一個關(guān)鍵步驟，一個良好的值約簡算法不僅可以挖掘出最

4、小的決策規(guī)則集，而且可以大大提高挖掘效率。本文提出了一種新的值約簡算法，該算法對文獻[26]中的算法進行了改進，在選取規(guī)則時按照每條規(guī)則的核值屬性的多少進行選擇，同時受屬性約簡中屬性重要性的啟發(fā)，在值約簡過程中加入決策規(guī)則的重要性信息--支持度。通過實例表明，改進的算法與原算法相比挖掘出決策規(guī)則更加簡明，提高了挖掘效率，具有實用價值。
　　 (3)設(shè)計了一種粗糙集與支持向量機相結(jié)合的故障診斷方法。粗糙集和支持向量機在故障診斷方面

5、都有著廣泛的應(yīng)用，二者在知識處理上有一定的互補性，因此將粗糙集與支持向量機相結(jié)合，形成復(fù)合故障診斷系統(tǒng)，可以提高診斷效率。該方法首先對樣本數(shù)據(jù)進行SOM離散化，利用提出的改進方法進行屬性約簡，去除冗余數(shù)據(jù)，降低維數(shù)，形成最簡決策規(guī)則，然后把獲得的屬性數(shù)據(jù)作為支持向量機的訓(xùn)練數(shù)據(jù)，通過求解二次規(guī)劃的優(yōu)化問題得到全局最優(yōu)的支持向量機。論文結(jié)合實例，對測試數(shù)據(jù)進行診斷，證實了該方法是有效的。
　　 (4)給出小樣本問題上神經(jīng)網(wǎng)絡(luò)和支持