基于粗糙集和神經網絡的柴油機故障診斷研究.pdf

1、柴油機作為典型的往復式機械設備，在整個機械系統(tǒng)中占有重要的地位，然而其結構的復雜性使得柴油機的故障呈現出多樣性，另外由于工作環(huán)境噪聲、信息采集系統(tǒng)精度、數據處理和故障診斷方法的影響，使得柴油機故障診斷的準確率和效率偏低，因此如何尋找一種快速、有效的故障診斷方法，是目前國內外相關學者的主要研究內容。
　　粗糙集理論可以挖掘數據中的冗余信息，實現實驗測點和特征參量的優(yōu)化；人工神經網絡具有較好的容錯性，是目前應用較為廣泛的智能化故障診斷

2、方法；信息融合技術，把多個傳感器的信息進行組合，能夠改善系統(tǒng)的可靠性和可信度。因此本文將粗糙集理論、人工神經網絡和信息融合技術等智能化診斷方法相結合，以便達到更好的故障診斷效果。
　　本文首先闡述了本課題國內外的研究現狀，以及粗糙集理論與人工神經網絡相結合的可行性和必要性，其次重點研究了基于粗糙集理論的優(yōu)化問題，通過對現有測點優(yōu)化方法、屬性離散化和約簡算法的歸納總結，指出目前存在的問題，從而提出了相關的改進方法：基于屬性依賴度的測

3、點優(yōu)化方法，可以有效區(qū)分不同測點的屬性依賴度，以及各個測點對不同故障工況的敏感程度；改進的NS離散化算法，能夠實現在確保不改變信息系統(tǒng)分類能力的前提下，盡量減少斷點的數目，提高數據的抗噪聲能力；改進的基于屬性依賴度的約簡算法，以屬性依賴度和不可分辨關系共同作為系統(tǒng)分類能力的判斷標準，以約簡的基本條件為指導，應用實例論證了方法的正確性和有效性。最后將約簡后的振動與噪聲信號進行特征融合，通過對比RBF神經網絡的訓練過程和輸出結果，表明該故障