zb排版大论文090118-20点.docVIP

摘 要 本文以机车电线路的故障检测数据为研究对象，针对其数据采集量大、诊断结果不精确、且诊断技术相对落后等机车检修方面的缺点，研究了变精度粗糙集结合BP神经网路的故障数据诊断处理方法，在大量繁复的故障机车电线路故障检测数据中提取故障诊断规则，约简冗余的检测数据，不仅提高了故障诊断的精度，同时提高了故障诊断的效率，并且降低了对故障数据的采集量，提高了在机车检修中的经济效益。 本文主要研究如何将变精度粗糙集与BP神经网络二者的优点相结合并应用于故障诊断当中的方法。应用粗糙集方法处理故障检测数据时，不需要任何先验知识，它是利用下近似集和上近似集作为主要工具，处理各种数据以及其不精确性和模棱两可的情况；并能求得知识的最小表达和知识的各种不同颗粒层次；还能从数据中揭示出概念简单, 易于操作的模式；而且能产生精确而又易于检查和证实的规则, 特别适于智能控制中规则的自动生成。而变精度粗糙集不仅有基本粗糙集的特点，它还可以以任意要求的检测精确度对数据进行分类，从而可以适应不同场合的检测需求。BP神经网络是经典的神经网络，它实现了一个从输入到输出的映射功能，并且数学方法已经证明了它具有实现任何复杂非线性映射的功能，所以它特别适合于求解内部机制复杂的问题；神经网络能通过学习带正确答案的实例样本集合自动提取“合理的”求解规则，并且带有一定的推广、概括能力，因此它有很好的自学习能力和鲁棒性。所以这两种方法都非常适合处理复杂系统中的大量故障检测数据，如果能将这两种方法结合起来应用到机车电线路的故障诊断中，这两种方法便可以根据自身的优点相互补充，在数据处理过程中迅速对故障准确定位，为机车检修节省时间。 通过研究，可以将变精度粗糙集为BP神经网络输入的前级处理，它起到约简神经网络输入层输入维数和简化检测数据的作用，BP神经网络再依据粗糙集的处理结果训练神经网络，确定神经网络的结构，最后将其应用到机车故障检测当中处理数据。 最后通过仿真实验得出了以下重要结论：粗糙集可以在保持分类能力不变的情况下约简大量冗余复杂的数据，并且挖掘出数据中隐含的知识规律，神经网络通过它自身良好的学习能力，得出了准确的检测结果。由于输入数据维数的减少，缩短了BP神经网络的训练时间并且使检测精度有所提高了，从而证明该方法十分适合像机车电线路这类大型复杂的系统数据检测。 关键词：变精度 粗糙集 属性约简 BP神经网络 ABSTRACT The fault data processing means that is based on variable precision rough set and BP neural network is used fault diagnosing in the locomotive circuitries wires as the research object. Against the shortcoming about locomotive overhauling, such as large quantity of collecting data, imprecise diagnosing result, dropped behind relatively technique, and so on. To find and pick up fault diagnosing rules in the complicated and heavy locomotive circuitries wires doesn’t only enhance fault diagnose precision, but also advances fault diagnose efficiency and reduces quantity of collecting data. Therefore it increases economic efficiency in locomotive overhauling. It is demonstrated that how variable precision rough set and BP neural network is united and it is applied in fault diagnoses in this paper. When we use this mean to diagnose the fault of locomotive circuitries wires, we needn’t have any priori knowledge. Upper approximation set and lower approximation set is made use in this mea