粗糙集——神经网络在机械故障诊断中的应用研究

《粗糙集——神经网络在机械故障诊断中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、太原理：【大学硕士研究生学位论文粗糙集一神经网络在机械故障诊断中的应用研究摘要本文分析了近年来故障诊断技术的研究现状和故障智能诊断系统的发展现状，对现有的各种故障诊断方法进行了分析与评述，介绍了故障诊断技术的理论基础，指出了现有故障诊断系统中存在的问题和局限。本文研究的重点在于基于差别矩阵属性约简的改进算法，并将该属性约简改进算法和神经网络理论相结合应用到旋转机械及轴承的故障诊断之中。以大型旋转机械和轴承故障诊断为例，改进了粗糙集理论与神经网络集成的故障诊断实施方案：首先应用基于差别矩阵的改进算法对旋转机械振动和轴承故障诊断的决策系统进

2、行约简，得到更为简明的最优诊断规则；然后根据最优决策系统建立Elman和BP神经网络进行故障诊断。实际运算表明基于差别矩阵的改进算法简单明了，计算量小，简化了网络结构，提高了训练效率。针对轴承故障诊断中数据量大和属性多的特点，本文采用分块决策表和分块矩阵的策略来处理，彰显出基于差别矩阵的改进算法在处理大数据时的优越性。本文的主要创新性工作如下：1．对粗糙集中基于差别矩阵属性约简算法进行改进：即通过对矩阵中单属性元素及包含单属性的元素数学最简化，使计算量大为减少，并且减少了出错机率。2．重点讨沦了相容和不相容决策表在计算差别矩阵时的差异，

3、对不相容决策表在计算差别矩阵时可能出现的错误进行了研究，指出了可改进之处，并针对不相容决策表中的基于差别矩阵属性约简算法提出了改进。3．将改进J，的粗糙集理论与Elman网络集成的故障诊断实施方案应用；太原理工大学硕士研究生学位论文到旋转机械故障诊断研究中，在Matlab平台上进行了实验验证。比较验证了采用该方案的优越性。4．用基于差别矩阵的改进算法和BP网络相结合来对轴承进行故障诊断，数字仿真结果表明采用该方法完全正确。并且本文与采用其他方法迸‘行轴承故障谬断作了对比研究，采用本文方法在处理数据爵袂速，不容易出错。关键词：粗糙集，神经

4、网络，差别矩阵，属性约简，故障诊断太原理工大学硕士研究生学位论文ARESEARCHoNTHEAPPLICATloNoFTHERoUGHSET-NEURALNETWORKINMACHINERYFAULTDIAGNOSISABSTRACTInthispaper,thegeneralsituationofthefaultdiagnosistechnologyandtheintelligentfaultdiagnosissystemintherecentyearsisintroduced，andthevariousexistingfaultdi

5、agnosismethodsareanalyzedandevaluated．Intheend，therationalefordiagnosisisintroducedandtheexistingproblemsofthefaultdiagnosissystemareproposed．Thefocusofthestudyisonthereductionandimprovementofalgorithmonthebasisofthediscemibilitymatrixattribute，onthecombinationofthisimpr

6、ovedalgorithmintheroughsettheorywiththeneuralnetworktheory,aswellasontheirapplicationinthefaultdiagnosisoftherotatingmachineryandbearings．Withfaultdiagnosisofrotatingmachineryandbearingsasexample，theimprovementofalgorithmonthebasisofthediscernibilitymatrixattributeisappl

7、iedtoreductionofincompletedecisionsystemtofindnecessaryconditionsfordiagnosis．Basedontheoptimaldecisionsystemobtainedfromthereductions，ElmanandBPneuralnetworkaredesignedforfaultidentification．Theapplicationofthereduceddecisionsystemtotheneuralfaultclassifierindicatedthat

8、theimprovementofalgorithmbasedreductionreducesthedimensionofinputtoneuralnetwork，andraisestheefficiency