基于粗糙集和神经网络融合的故障诊断技术W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：粗糙集神经网络融合故障诊断中图分类号：TP183文献标识码：AFaultDiagnosisTechnologyBasedonFusionofRoughSetandNeuralNetworkAbstract:Becauseofmoreandmoredatasproducedbyequipmentconditionmonitoring,provideafusionmodelofroughsetandneuralnetworusedinfaultdiagnosis.Practiceindicate:thisfusionmodelhasgoodapplicabilityandcreditabilityintheengineering,itcanprovideeffectiverefereneeforfaultdiagnosis.Keywords:RoughSetNeuralNetworkFusionFaultDiagnosis本识别的难度。本文提出的粗糙集和神经网络融一、前言由于数据监控技术发展，生产活动中积累的合的故障诊断方法，一方面充分利用所积累的样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木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，提高样木识别的速度。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T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朵性，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11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DT??U,C?DXf?,其中，？n,则定义Mn?n??cijn?n为决策表的差别矩阵，其中???|???C???f??ui??f??uj???,fD?ui??fD?uj?ci,j????,ffoD?ui??fD?uj??C?ui??fC?uj????,fD?ui??fD?uj?符号“一“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索。在一个相容决策表中，相对D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COREC•••••]•••••••II??????O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冇含冇单个属性的元素，从而得不到相对D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，当然需耍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。进行更细离散图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Z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，这是很冇必要的，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...