基于粗糙集和微粒群优化BP神经网络的柴油机故障诊断方法研究-控制科学与工程专业论文.docxVIP

重庆大学硕士学位论文中文摘要 重庆大学硕士学位论文 中文摘要 I I 摘 要 柴油机是一种复杂的动力机械，在多个行业中得到了十分广泛的应用。同时， 其发生故障时的代价较高，使得柴油机的故障诊断技术成为了当前的一个重要研 究课题。本文在分析柴油机故障诊断常用技术和国内外研究现状的基础上，尝试 给出了一种基于粗糙集（Rough Sets，简称 RS）和微粒群算法（Particle Swarm Optimization，简称 PSO）优化 BP 神经网络的故障诊断方法。 论文将柴油机故障诊断的全过程分为了两个重要步骤：故障数据的特征提取 和利用神经网络进行故障状态识别。其中在故障数据的特征提取方面主要是使用 粗糙集对故障特征进行了空间维数的简化；而在故障状态识别方面，则是在已有 的故障诊断算法上，使用 PSO 对用于诊断的 BP 神经网络进行了优化，使其结果 准确、完整、有效。具体如下： 论文讨论了故障数据的特征提取。由于粗糙集不需要任何额外的信息，仅仅 依靠数据本身就能发现数据间的关系，去除冗余信息，因此选用粗糙集理论的核 心思想——属性约简来进行此项工作。论文采用了用简化差别矩阵代替传统差别 矩阵、选择潜在分辨力最大的属性加入约简集、反向消除过程中忽略核属性等手 段，对基于属性频率的约简算法进行了有效改进。实验仿真表明两个算法在处理 小数据集时效率相当；数据集较大时，改进后的算法不论是时间、空间还是约简 质量均优于原算法。 针对前馈神经网络最经典的 BP 算法以梯度下降为学习规则，存在学习复杂， 训练时间长，容易陷入局部极值等缺陷，论文采用了一种通过 PSO 优化神经网络 的方法，将神经网络的每个权值和阈值分别对应微粒的一个分量，定义均方误差 为适应值函数，通过多次迭代运算达到优化 BP 神经网络的目的。实验仿真表明 优化后的神经网络训练时间、预测精度等均优于 BP 网络。 论文将粗糙集理论与优化后的 BP 神经网络相结合进行故障诊断，以一组实 际的柴油机气门机构故障数据为样本开展应用研究。为了便于分析，论文加入了 BP 网络、GA-BP 网络作为对比，在 MATLAB 中进行仿真实验。结果表明，本文 研究的柴油机故障诊断方法速度更快，诊断精度更高，效果更好。 关键词：故障诊断，粗糙集，属性约简，微粒群算法，神经网络 重庆大学硕士学位论文英文摘要 重庆大学硕士学位论文 英文摘要 II II ABSTRACT Diesel engine is a complex power machine that is widely used in many fields due to its own advantages. Diesel engine’s no substitution in some situations decides the high cost when it goes wrong, so diesel engine’s fault diagnosis technology is worth following up. Based on the analysis of fault diagnosis common technologies and comparing with foreign research, this paper tried to present a fault diagnosis method based on rough set theory and PSO optimizing BP neural network. The whole process of diesel engine fault diagnosis involves two important steps: fault data feature extraction and into the neural network diagnosing fault. This paper did the following work for the two problems. This paper discussed the fault data feature extraction. As rough sets don’t need any additional information, can find the relationships between data only relying on the data itself, remove redundant information, so we chose the core idea of rough sets: attributes reduction to do this