论文部分内容阅读
随着计算机工程和人工智能技术的迅速发展，尤其是知识工程、粗糙集理论和人工神经网络在诊断领域中的进一步应用，故障诊断和检测技术正向智能化方向发展。粗糙集理论能有效地分析和处理具有不精确、不一致、不完整等特性的各种不完备信息，并从中发现隐含的知识，揭示内在的规律，而且不需要任何先验知识。支持向量机作为一种专门研究小样本情况下的学习规律的统计学习理论，具有优秀的性能、完备的理论基础。当故障样本的征兆比较多时，支持向量机的学习速度会很慢，直接用这些原始数据进行故障诊断的效率比较低。粗糙集理论可以在故障诊断之前对样本进行预处理，以去掉冗余属性，在不失数据完备性的前提下降低数据维数，简化诊断过程，提高诊断效率。因此，将支持向量机与粗糙集理论结合起来完成故障诊断是很有现实意义的。
本文利用粗糙集理论在约简属性方面的优秀性能和支持向量机分类的机理，对其在故障诊断中的应用进行了探索性研究。本文主要研究了以下几个方面的内容：
(1)属性约简算法。属性约简是粗糙集理论研究的核心问题之一，本文对基于相对差异比较表的属性约简算法[29]进行了研究，发现该算法并不适用处理不相容决策表，为此引入了决策表正域的概念，对相对差异比较表进行了修正，同时结合决策表条件属性重要性信息，提出了一种改进的相对差异比较表属性约简算法，并通过实例，验证该算法的有效性。
(2)值约简算法。现有的决策规则挖掘算法多是以研究属性约简过程为主，其实，值约简过程也是一个关键步骤，一个良好的值约简算法不仅可以挖掘出最小的决策规则集，而且可以大大提高挖掘效率。本文提出了一种新的值约简算法，该算法对文献[26]中的算法进行了改进，在选取规则时按照每条规则的核值属性的多少进行选择，同时受属性约简中属性重要性的启发，在值约简过程中加入决策规则的重要性信息--支持度。通过实例表明，改进的算法与原算法相比挖掘出决策规则更加简明，提高了挖掘效率，具有实用价值。
(3)设计了一种粗糙集与支持向量机相结合的故障诊断方法。粗糙集和支持向量机在故障诊断方面都有着广泛的应用，二者在知识处理上有一定的互补性，因此将粗糙集与支持向量机相结合，形成复合故障诊断系统，可以提高诊断效率。该方法首先对样本数据进行SOM离散化，利用提出的改进方法进行属性约简，去除冗余数据，降低维数，形成最简决策规则，然后把获得的属性数据作为支持向量机的训练数据，通过求解二次规划的优化问题得到全局最优的支持向量机。论文结合实例，对测试数据进行诊断，证实了该方法是有效的。
(4)给出小样本问题上神经网络和支持向量机故障诊断的对比实验。在相同数量的小样本的训练下，支持向量机诊断正确率要明显高于BP网络。同时在训练样本数据不变的前提下，不断的增加测试样本数据，BP网络和支持向量机的诊断正确率呈下降趋势，相比之下，支持向量机诊断正确率的下降幅度要小于BP网络。实验结果表明：小样本问题上，支持向量机的诊断效果优于BP网络。