基于粗糙集和神经网络融合的故障诊断技术w.doc

基于粗糙集和神经网络融合的故障诊断技术 摘 要：针对故障诊断中设备监控数据越来越多的特点，提出用于故障诊断的粗糙集和神经网络融合模型。实践证明：此融合模型在工程上有着很好的适用性和可信性，能够为解决现代工业工程中的故障诊断提供有效的参考。 关 键 词：Practice indicate: this fusion model has good applicability and creditability in the engineering, it can provide effective reference for fault diagnosis. Key words: Rough Set Neural Network Fusion Fault Diagnosis 一、前言 由于数据监控技术发展，生产活动中积累的设备监控数据越来越多，这为故障诊断提供了大量可用的样本知识，当然也增加了数据处理和样本识别的难度。本文提出的粗糙集和神经网络融合的故障诊断方法，一方面充分利用所积累的样本知识保证诊断的正确率，另一方面利用粗糙集简化样本维数，提高样本识别的速度。 二、粗糙集和神经网络的融合模型 图1给出了粗糙集和神经网络的融合模型。 图1 粗糙集和神经网络融合模型 将两者融合在一起，把粗糙集方法作为人工神经网络方法的前置，具有以下优点： （1）通过粗糙集方法减少信息表达的属性数量，减少构建人工神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间； （2）通过粗糙集方法去掉冗余信息，使训练集简化，以便减少人工神经网络的训练时间； （3）使用人工神经网络作为后置的信息识别系统，有较强的容错及抗干扰能力； （4）由于粗糙集理论在简化知识表达的同时，也可以得出决策规则，因而也可以作为后续使用中的信息识别规则，将粗糙集方法得到的结果与人工神经网络方法得到的结果相比较，从而作进一步修正。 三、融合模型中创新算法和独特设计 3.1 基于SOFM和差别矩阵的离散化方法 在此离散化算法中，SOFM网络的主要作用是实现连续向量的离散化； 差别矩阵的主要作用是判断决策表是否存在相对于决策属性的核和是否相容。差别矩阵定义如下： 给定一个决策表，其中，，则定义为决策表的差别矩阵，其中 。 符号“—“表示论域中两个对象的决策值落入决策属性的同一个等价类；空集表示两个对象所对应的两条决策是不相容的；如果论域中两个对象的决策值不同，同时也存在能够区分这两个对象的条件属性，则所有这样的条件属性组成的集合构成决策表的差别矩阵的对应元素。 在一个相容决策表中，相对核等于该决策表的差别矩阵中所有单个属性元素组成的集合，即。 在研究过程中，发现基于差别矩阵的约简算法往往不能实现，主要原因在于矩阵中没有含有单个属性的元素，从而得不到相对核，这就限制了差别矩阵约简算法的应用。 本文从属性离散化上就着眼于解决差别矩阵约简算法中存在的问题，大致思路见图2。初始离散化后，判断决策表是否相容和是否存在核，其中任一判断不通过，表明初始离散化分类过粗，条件属性划分不足以区分决策属性类别，当然需要进一步细分条件属性，但是不能无条件细分下去，这会导致属性约简失去意义，若两个判断都通过，则表明现有的条件属性划分足以对决策属性类别进行识别，且可得到最简属性约简。 图2 离散化算法流程图 3.2 融合模型的独特设计 由图1所示，本文提出的融合模型的独特之处在于利用粗糙集规则得出的结果和神经网络输出的结果相比较，最后综合分析比较，再确定最终输出结果，这种思想是为了提高处理故障诊断的能力。特别是在面对对诊断准确率要求较高的故障设备时，这是很有必要的，能够最大限度地保证排除故障的准确性和彻底性。两者输出的结果存在以下可能性： （1）当神经网络输出的结果和粗糙集规格得出的结果相同时，则表明诊断出的结果是正确的可能性很大，在排故时应该重点考虑和检查，并且将相应故障样本存入知识样本集，以供下次训练网络时使用。 （2）当二者的结果不相同时，存在着两个诊断结果，两种诊断结果都要被考虑。在确定诊断结果后，若是规则集出现诊断错误，则加入新故障样本，生成新规则集；若是神经网络输出结果错误，则将相应的故障样本存入知识样本集，以提高神经网络识别故障的能力。 （3）当神经网络输出的结果没有相应的规则集与之对应时，应该以神经网络输出结果为重点排故对象，并且将相应故障样本存入知识样本集，以便下次再生成规则集。 每次排故之后的结果才是检验诊断准确性的最终标准，无论诊断结果是否正确，都将把确定的故障样本存在知识样本中，以供生成规则集和神经网络再学习时使用。 四、融合模型在故障诊断中的应用 4.1 基于粗糙集的计算 以EQ6102汽油机为例作故障诊断。汽油机废气排放量不但表征汽油机工作