随着科学技术的进步,现代工业生产向大型化、自动化等方向发展,各设备间的联系也更加紧密.因此,对设备的故障诊断面临新的挑战,其中一项是不完备信息条件下的故障诊断.对于故障诊断,不完备信息[1 ] 指诊断系统中某一数据对象或多个数据对象的属性值(一般为条件属性)丢失、不完全或无法确定,表现为数据信息残缺.为了保证设备运行的安全稳定,对不完备信息条件下的故障诊断方法进行研究有一定现实意义.
粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法.
目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题.
本文通过设计新的不完备决策表中极大相容块的求取方法与属性约简方法,提出基于极大相容块与智能分类器的故障诊断方法,并将其应用于不完备信息条件下的汽轮机组故障诊断.首先提出不完备决策表中的相关矩阵表示,并用这些矩阵计算极大相容块;然后通过极大相容块将原不完备决策表转化为极大相容块最全描述决策表,在新的决策表基础上提出基于分辨矩阵的属性约简计算方法;最后,基于所提出的基于极大相容块的属性约简方法构建优化的故障分类器,为解决不完备信息条件下的故障诊断问题提供新方法.由于汽轮机组是石化、能源、冶金和航空等许多行业中的关键设备,因此,本文针对不完备信息条件下汽轮机组的故障诊断问题进行仿真实验.
1 基本概念
本节介绍不完备决策表和极大相容块的相关概念.令U 是非空有限集合,称为论域.
V , f ,其中,U = x 1 , x 2 , ⋯ , x n 为论域;A = M ⋃ D 为非空有限属性集,M 和D 分别为条件属性和决策属性;V = ∪ a ∈ A V a ,Va 为属性a 的值域;f : U × A → V 为映射函数,f x i , a ∈ V a
x i ∈ U , a ∈ A . 若存在某对象x ∈ U 的属性a a ∈ M 上取值缺失(通常缺失值用“*”表示),则称该决策表为不完备决策表.
A = M ⋃ D , V , f ,属性集B B ⊆ M 上的容差关系定义为:
T O R B = u , v ∈ U × U : ∀ a ∈ B → f u , a = f v , a ∨ f u , a = * ∨ f v , a = *
容差关系T O R B 是论域U 上的一个二元关系,由定义2可知容差关系T O R B 满足自反性、对称性,但不满足传递性.
A = M ⋃ D , V , f ,∀ x ∈ U 关于属性集B B ⊆ M 上的容差类定义为:
T B x = y ∈ U : x , y ∈ T O R B
A = M ⋃ D , V , f ,B ⊆ M , X ⊆ U . 若对∀ x , y ∈ X 均有x , y ∈ T O R B 成立,则称X 为属性集B 上的相容块;若不存在X ⊂ X ' 是B 上的相容块,则称X 为B 上的极大相容块.
把由B ⊆ M 确定的包含对象x ∈ U 的所有极大相容块形成的集合表示为C x B . 把由B ⊆ M 确定的所有极大相容块形成的集合表示为C B .
A = M ⋃ D , V , f ,B ⊆ M , X ⊆ U . X 为B 上的极大相容块当且仅当X = ∩ x ∈ X T B x .
命题1表明,极大相容块是块中各元素容差类的交集,它是块中各元素容差类的公共部分.
2 基于极大相容块的不完备决策表属性约简
2.1 极大相容块的矩阵计算方法
极大相容块的计算是利用极大相容块技术在不完备信息系统中进行知识获取的重要前提,但在实际计算中它的求取过程总是复杂且耗时,因此,寻找更简便的计算方法非常必要.本节利用矩阵方法,提出新的计算极大相容块的方法.首先给出不完备决策表中两个矩阵表示的定义.
设D T = U , A = M ⋃ D , V , f 为不完备决策表,其中U = x 1 , x 2 , ⋯ , x n . 称F T M = a i j n × n 和I F T M = b i j n × n 分别为关于条件属性M 的容差关系矩阵表示和容差类交矩阵表示,其中,
a i j = 1 , x i , x j ∈ T O R M 0 , 否 则
b i j = T M x i ⋂ T M x j , x j ∈ T M x i Φ , 否 则
V , f 如表1 所示,为了后续的对比研究,选取文献[14 -15 ]中的不完备决策表.
F T M = 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1
关于条件属性M 的容差类交矩阵表示I F T M 此处暂不给出,将通过后续提出的矩阵计算方法得到.命题2与命题3给出定义5中矩阵F T M 和I F T M 的性质.
A = M ⋃ D , V , f ,其中U = x 1 , x 2 , ⋯ , x n . 则F T M 和I F T M 均为对称矩阵.
令F T M = a i j n × n 和I F T M = b i j n × n . 因为关于属性集M 的容差关系T O R M 满足对称性,所以x i , x j ∈ T O R M 蕴含x j , x i ∈
T O R M . 根据定义5可知,对任意1 ≤ i , j ≤ n 总有a i j = a j i ,故F T M 为对称矩阵.另一方面,如果x j ∈ T M x i ,则必有x i ∈ T M x j . 因此,由定义5可知,I F T M 为对称矩阵.
A = M ⋃ D , V , f ,并且F T M = a i j n × n .则:
a i j = 1 , x j ∈ T M x i 0 , 否 则
对任意x i , x j ∈ U ,x i , x j ∈ T O R M 当且仅当x j ∈ T M x i . 由此可见,该命题成立.
A = M ⋃ D , V , f ,为了利用F T M 计算I F T M 提出如下矩阵计算.设布尔矩阵A = a i j n × m , B = b i j m × t ,则D = A ⊗ B = d i j n × t ,其中,
d i j = 1 ≤ k ≤ m : a i j ⋅ a i k ⋅ b k j = 1
A = M ⋃ D , V , f ,其中U = x 1 , x 2 , ⋯ , x n . 则I F T M = F T M ⊗ F T M T ,其中F T M T 为F T M 的转置.
令F T M = a i j n × n ,I F T M = b i j n × n ,并且F T M ⊗ F T M T = c i j n × n . 故:
c i j = 1 ≤ k ≤ n : a i j ⋅ a i k ⋅ a j k = 1 = 1 ≤ k ≤ n : a i j = a i k = a j k = 1 = x k ∈ U : x j ∈ T M x i ∧ x k ∈ T M x i ∧ x k ∈ T M x j = T M x i ⋂ T M x j x j ∈ T M x i Φ 否 则 = b i j
I F T M = F T M ⊗ F T M T = x 1 x 5 x 9 Φ Φ Φ x 1 x 5 Φ Φ Φ x 1 x 9 Φ Φ Φ Φ x 2 x 3 x 4 x 11 x 2 x 3 x 4 x 2 x 3 x 4 Φ Φ Φ Φ Φ Φ x 2 x 11 Φ Φ x 2 x 3 x 4 x 2 x 3 x 4 x 2 x 3 x 4 Φ Φ Φ Φ Φ Φ Φ Φ Φ x 2 x 3 x 4 x 2 x 3 x 4 x 2 x 3 x 4 Φ Φ Φ Φ Φ Φ Φ Φ x 1 x 5 Φ Φ Φ x 1 x 5 Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ x 6 x 7 x 6 x 7 Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ x 6 x 7 x 6 x 7 Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ x 8 Φ Φ Φ Φ x 1 x 9 Φ Φ Φ Φ Φ Φ Φ x 1 x 9 x 10 x 9 x 10 Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ x 9 x 10 x 9 x 10 x 11 x 10 x 11 Φ Φ x 2 x 11 Φ Φ Φ Φ Φ Φ Φ x 10 x 11 x 2 x 10 x 11 Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ Φ x 12
I F T M 中元素省略对象间的标点,如x 1 x 5 x 9 表示x 1 , x 5 , x 9 .
A = M ⋃ D , V , f .则I F T M = F T M ⊗ F T M .
由命题2可知,F T M 为对称矩阵,即F T M = F T M T . 因此,该推论成立.
在上述矩阵计算的基础上,为了通过矩阵方法计算极大相容块,下面的引理1和引理2、命题5和命题6分别给出极大相容块的等价刻画.
A = M ⋃ D , V , f ,X ⊆ U . 如果X ∈ C x M ,则对任意y ∈ X , 总有T M x ⋂ T M y = X .
A = M ⋃ D , V , f ,X ⊆ U ,其中U = x 1 , x 2 , ⋯ , x n . 则X ∈ C x M 当且仅当以下(1)或(2)成立:
由命题1可知,X ∈ C x M 当且仅当X = ∩ y ∈ X T M y . 又由定义3与定义4可知,X ⊆ T M x . 因此,X ∈ C x M 当且仅当下列条件之一成立:
(1)当X = T M x 时,对∀ y ∈ X , 总有T M x ⊆ T M y ;
(2)当X ⊂ T M x 时,对∀ y ∈ X - x ,总有T M x ⋂ T M y = X .
A = M ⋃ D , V , f ,X ⊆ U . 则X ∈ C x M 当且仅当以下(1)或(2)成立:
由引理2可知,当X = T M x 时,对∀ y ∈ X 都满足T M x ⊆ T M y ,即:
y ∈ X : T M x ⊆ T M y = y ∈ X : T M x ⊆ T M y = T M x = T M x = X
当X ⊂ T M x 时,∀ y ∈ X - x 都满足T M x ⋂ T M y = X ,即:
y ∈ X : T M x ⋂ T M y = X = X - 1
A = M ⋃ D , V , f ,对∀ x ∈ U ,
C x M = T M y ⋂ T M x : T M y ⋂ T M x : y ∈ T M x = T M y ⋂ T M x ∨ T M y ⋂ T M x : y ∈ T M x = T M y ⋂ T M x - 1
C x M ⊆ T M x ⋂ T M y : y ∈ T M x
1 A ⋄ 1 B = 1 A ⋂ B
1 A ⊕ 1 B = 1 A ⊕ 1 B A ≠ B 2 A A = B
特别地,若A ≠ Φ , B = Φ , 则1 A ⊕ 1 B = 1 A . 根据所定义的这两种矩阵运算,下面的定义给出两个矩阵交积的定义.
设A = a i j n × m , B = b i j m × 1 为元素均为集合的矩阵.称D = A ∇ B = d i j m × 1 为矩阵A 和B 的交积,其中d i j = ⊕ k = 1 m 1 a i k * 1 b k j .
基于上述结果,下面的命题给出极大相容块的矩阵计算方法.
A = M ⋃ D , V , f ,U = x 1 , x 2 , ⋯ , x n .若I F T M ∇ U = d i n × 1 且d i = h 1 d i 1 ⊕ ⋯ ⊕ h t d i t ,则:
C x i M = d i j : 1 ≤ j ≤ t ∧ d i j = h j ∨ d i j = h j - 1
d i j : 1 ≤ j ≤ t = T M x i ⋂ T M y : y ∈ T M x i
I F T M ∇ U = 1 x 1 , x 5 , x 9 ⊕ 1 x 1 , x 5 ⊕ 1 x 1 , x 9 1 x 2 , x 3 , x 4 , x 11 ⊕ 2 x 2 , x 3 , x 4 ⊕ 1 x 2 , x 11 3 x 2 , x 3 , x 4 3 x 2 , x 3 , x 4 2 x 1 , x 5 2 x 6 , x 7 2 x 6 , x 7 1 x 8 1 x 1 , x 9 ⊕ 1 x 1 , x 9 , x 10 ⊕ 1 x 9 , x 10 1 x 9 , x 10 ⊕ 1 x 9 , x 10 , x 11 ⊕ 1 x 10 , x 11 1 x 2 , x 11 ⊕ 1 x 10 , x 11 ⊕ 1 x 2 , x 10 , x 11 1 x 12
然后,根据命题7可计算出任意对象x i ∈ U 的所有极大相容块C x i M ,如表2 所示.
C ( M ) = x 1 , x 5 , x 1 , x 9 , x 2 , x 3 , x 4 , x 2 , x 11 , x 6 , x 7 , x 8 , x 9 , x 10 , x 10 , x 11 , x 12
根据上述的极大相容块计算过程,下面给出不完备决策表中极大相容块的矩阵计算方法,如算法1所示.
算法1中,默认不完备决策表DT 为一致决策表.步骤1的时间复杂度为O 1 , 步骤2的时间复杂度为O M U 2 , 步骤3的时间复杂度为O U 3 , 步骤4的时间复杂度在最坏的情况下不超过O U 3 . 一般情况下M ≤ U . 因此,算法1的整体时间复杂度为O U 3 .
2.2 基于极大相容块的属性约简方法
利用2.1中计算的极大相容块,本节给出不完备决策表的属性约简新方法.黄治国和王淼[14 ] 提出由原不完备决策表转化为极大相容块最全描述系统的方法,但在转化过程中没有考虑决策属性,即所求的属性约简与决策属性无关,这不符合决策表的属性约简规则.因此,下面给出极大相容块最全描述决策表的定义.
设D T = U , A = M ⋃ D , V , f 为不完备决策表,则称C D T = C M , A = M ⋃ D ,
V ' , f ' 为DT 的极大相容块最全描述决策表.其中,C M = X 1 , X 2 , ⋯ , X t 为关于属性M 的极大相容块;M 和D 分别为条件属性和决策属性;V ' = ∪ a ∈ A ' V a ' ,V a ' 为属性a 的值域;f ' : C M × A → V ' 为映射函数,其中对任意a ∈ A , Y i ∈
C M 1 ≤ i ≤ t ,
f ' X i , a = f x , a : x ∈ X i , a ∈ D f x , a , a ∈ M ∧ ∃ x ∈ X i , s . t . , f x , a ≠ * * , a ∈ M ∧ ∀ x ∈ X i , f x , a = *
例4 继续例1 例3已计算出不完备信息系统DT 的所有极大相容块:
C M = x 1 , x 5 , x 1 , x 9 , x 2 , x 3 , x 4 , x 2 , x 11 , x 6 , x 7 , x 8 , x 9 , x 10 , x 10 , x 11 , x 12
X 1 = x 1 , x 5 , X 2 = x 1 , x 9 , X 3 = x 2 , x 3 , x 4 ,
X 4 = x 2 , x 11 , X 5 = x 6 , x 7 , X 6 = x 8 ,
X 7 = x 9 , x 10 , X 8 = x 10 , x 11 , X 9 = x 12
则DT 的极大相容块最全描述决策表C D T = C M , A = M ⋃ D , V ' , f ' 如表3 所示.
设D T = U , A = M ⋃ D , V , f 为不完备决策表,C D T = C M , A = M ⋃ D , V ' , f ' 为DT 的极大相容块最全描述决策表,其中C M = Y 1 , Y 2 , ⋯ , Y t . 则称F C D T = a i j t × t 为极大相容块最全描述决策表的分辨矩阵,其中,
a i j = a ∈ M : f ' Y i , a ≠ f ' Y j , a , f ' Y i , D ≠ f ' Y j , D Φ , f ' Y i , D = f ' Y j , D
F C D T = Φ Φ Φ a b c g h Φ a b c e f h a b c h a b c h a b c f h Φ Φ b c d g h Φ a b c d e f h b c h b c d h b c f h Φ f Φ b e f d f g h f g h d f g Φ a b c d f g a b c e f Φ Φ d f g Φ d e a b c d f g h a b c d f g h a b c d g Φ a b c d e f h a b c e f h Φ Φ Φ f h Φ d f h Φ
d ∨ e ∧ f ∨ h ∧ b ∨ c ∨ h ∧ b ∨ e ∨ f ∧ d ∨ f ∨ g ∧ a ∨ b ∨ c ∨ d ∨ g
b ∧ d ∧ f ∨ b ∧ e ∧ f ∨ c ∧ d ∧ f ∨ b ∧ d ∧ h ∨ c ∧ e ∧ f ∨ d ∧ e ∧ h ∨ d ∧ f ∧ h ∨ e ∧ g ∧ h ∨ a ∧ e ∧ f ∧ h
R E D = b , d , f , b , e , f , c , d , f , b , d , h , c , e , f , d , e , h , d , f , h , e , g , h , a , e , f , h
由上述定义,便可求得不完备决策表DT 的所有约简.具体算法如算法2所示.
输入:原不完备决策表DT 中论域U 关于M 的全体极大相容块C M .
根据定义7,生成DT 的极大相容块最全描述决策表CDT ;
根据定义8,针对极大相容块最全描述决策表CDT ,生成分辨矩阵F C D T = a i j t × t ;
将D N F M 转换为等价的极小吸取范式D N F ' M = ∧ T 1 ∨ ⋯ ∨ ∧ T k ;
步骤1的时间复杂度最长为O M C M 2 , 步骤2的时间复杂度为O M C M 2 ,步骤3的时间复杂度为O C M 2 , 步骤4和步骤5的时间复杂度都为O 1 . 因此,算法2的整体时间复杂度为O M C M 2 .
表4 给出本文提出的算法2与其他约简算法的比较,并以例1为例比较约简结果.可以看出,根据本文提出的算法2,取最简约简为d , f , h . 若以“约简中属性个数越少越好”为评价指标,则本文算法比其他算法的约简效果都好.
3 基于极大相容块与智能分类器的故障诊断方法
结合上节提出的基于极大相容块的属性约简方法与智能分类器,提出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法,并对汽轮机组的故障诊断做仿真实验.
3.1 不完备信息条件下的故障诊断方法
首先,提出不完备信息条件下基于极大相容块与智能分类器(支持向量机、随机森林、决策树等)的故障诊断方法.如算法3所示.
不完备初始信息表的形成:从采集的样本数据中提取故障征兆,这些征兆对应的故障类别都是已知的.将这些征兆作为信息系统的条件属性,对应的故障类别作为信息系统的决策属性,形成不完备故障信息系统IS .
样本数据的极大相容块预处理:对信息系统IS 进行归一化和离散化处理,构成不完备故障诊断决策表DT ,利用算法1计算极大相容块C M ;利用算法2得到针对极大相容块的最全描述决策表CDT ,并根据相应的差别矩阵对决策表进行约简,消除冗余的条件属性.
“极大相容块+智能分类器”模型的确定及训练:选定智能分类器模型,建立智能分类器诊断模型.根据步骤2中确定的约简构造新的故障数据集并对其进行完备化,然后利用其对诊断模型进行训练.
故障诊断:用训练好的智能分类器对测试样本征兆集进行故障分类,得到诊断结果.
图1 给出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法的流程图.
图1
图1
“极大相容块+智能分类器”的故障诊断方法流程
Fig 1
The fault diagnosis method of “Maximal compatibility block + Intelligent classifier”
3.2 汽轮机组故障诊断仿真实验
为了阐述3.1提出的故障诊断新方法,选择汽轮发电机组常见的振动故障作为诊断实例进行仿真实验.数据处理及运算所用设备:ThinkPad X390笔记本电脑,CPU为Intel 酷睿i7 8565U,Windows10系统.征兆属性为汽轮发电机组振动信号的频域特征频谱中< 0.4 f , 0.4 ~ 0.5 f , 1 f , 2 f , ≥ 3 f (f 为旋转频率)等五个不同频段上的幅值分量能量,分别表示为a ,b ,c ,d,e ;决策属性D 表示汽轮机组的故障类别,D 的取值为1,2和3,分别对应汽轮机组常见的三种故障:油膜振荡、不平衡、不对中.不完备汽轮机故障信息表如表5 [16 -17 ] 所示(表中数据已归一化处理).
由于应用粗糙集理论处理决策表时,要求决策表中的值用离散数据表达,因此需要进行连续征兆属性的离散化.本文根据工程实践以及R语言对数据的分析,采用下述断点来实现表5 中条件属性值的离散化,如表6 所示.
根据表6 的离散化方法,表5 离散化后的不完备故障诊断决策表D T = U , A = M ⋃ D , V , f 如表7 所示.
根据算法1中的基于矩阵法的极大相容块求取方法,得到关于条件属性集M 的极大相容块C M ,如表8 所示.
利用算法2,构造针对极大相容块的最全描述决策表CDT ,并通过差别矩阵得到约简集.此处先给出由差别矩阵得到的极小吸取范式:
a ∧ c ∨ b ∧ c ∨ c ∧ d ∨ c ∧ e ∨ a ∧ d ∧ e ∨ b ∧ d ∧ e
R E D = a , c , b , c , c , d , c , e , a , d , e , b , d , e
根据步骤3,只需将条件属性a 和c 的属性值完备化,即可构建新的数据集,该数据集作为训练集进行智能故障分类器训练.此处智能分类器先选择支持向量机(Support Vector Machine,SVM).SVM网格法选择惩罚参数γ 与核参数g ,范围均为- 10,10 . 但因为后续对比研究的需要,此处将表5 都完备化,完备化的方法采用黄文涛等[16 ] 的方法补齐.完备化后的数据集如表9 所示,其中粗体数据表示最终所选的属性值与决策值,加下画线的数据表示补齐的数据.
根据步骤4,对测试集进行测试,如表10 所示.用本文提出的“极大相容块+智能分类器”的故障诊断方法只需要对条件属性a 和c 以及决策属性D 构成的测试信息进行测试.为突出这三组数据,它们在表10 中用粗体表示.
测试结果如图2 所示.图中“o”表示预测的故障结果,“*”表示实际的故障类型.两者重合部分说明诊断结果正确.图2 a、图2 c和图2 e分别为采用“极大相容块+SVM”故障诊断方法时,核函数为不同类型的故障诊断结果.图2 b、图2 d和图2 f则为直接将数据完备化后只采用SVM的故障诊断结果,此时的核函数也选用不同的类型.
图2
图2
“极大相容块+SVM”和SVM对测试集的故障分类图
Fig.2
Fault classification diagrams of “Maximal compatibility block +SVM” and SVM
表11 为“极大相容块+SVM”(见表中黑体字)和SVM对测试集的故障分类情况的汇总与对比结果.
从表11 可以直观地看出,无论SVM故障分类器的核函数选择的是多项式(Polynomial)核函数、径向基(RBF)核函数或感知器(Sigmoid)核函数,未经过极大相容块方法约简的SVM故障诊断结果的准确率为75%,而约简后的故障诊断结果的准确率提升到87.5%,并且运行时间也有所减少.这表明经过极大相容块约简的属性对故障诊断更具有代表和准确性,而且减小了SVM的运算量,从而使得SVM的诊断效果优于没有约简的诊断结果.
为了进一步说明本文提出的“极大相容块+智能分类器”方法的有效性,选用其他类型的智能分类器进行仿真实验,实验结果如表12 所示.由表可见,“极大相容块+随机森林”和“极大相容块+决策树”(表中黑体字)的准确率都高于不经过属性约简而直接选用相应分类器的准确率.这些结果充分说明所提出的针对不完备信息条件下的故障诊断方法可行、有效.
4 结论
本文提出基于矩阵方法的极大相容块的矩阵计算方法,很好地解决了传统计算方法复杂、耗时等问题.基于极大相容块,提出不完备决策表的最全描述表,并通过分辨矩阵的方法提出新的约简方法,为不完备信息的处理提供了一种新的处理方法.借助提出的约简方法,给出不完备条件下“极大相容块+智能分类器”的故障诊断方法,并将其应用在汽轮机组的故障诊断中.实验结果证明提出的故障诊断方法科学地缩减了智能分类器的输入空间规模,减少了训练的时间,提高了诊断的准确率.
参考文献
View Option
[1]
陈泽华 ,宋波 ,闫继雄 ,等 . 基于概念格的不完备信息系统最简规则提取算法
控制与决策 ,2019 ,34 (5 ):1011 -1017 .
[本文引用: 1]
Chen Z H ,Song B ,Yan J X ,et al . Concise rule extraction algorithm of incomplete information system based on concept lattice
Control and Decision ,2019 ,34 (5 ):1011 -1017 .
[本文引用: 1]
[2]
Pawlak Z . Rough sets
International Journal of Computer and Information Science ,1982 ,11 (5 ):341 -356 .
[本文引用: 1]
[3]
Chen D G ,Dong L J ,Mi J S . Incremental mechanism of attribute reduction based on discernible relations for dynamically increasing attribute
Soft Computing ,2020 ,24 (1 ):321 -332 .
[本文引用: 1]
[4]
Tawhid M A ,Ibrahim A M . Feature selection based on rough set approach,wrapper approach,and binary whale optimization algorithm
International Journal of Machine Learning and Cybernetics ,2020 ,11 (3 ):573 -602 .
[本文引用: 1]
[5]
韩朝 ,苗夺谦 ,任福继 ,等 . 基于粗糙集知识发现的开放领域中文问答检索
计算机研究与发展 ,2018 ,55 (5 ):958 -967 .
[本文引用: 1]
Han Z ,Miao D Q ,Ren F J ,et al . Rough set knowledge discovery based open domain Chinese question answering retrieval
Journal of Computer research and Development ,2018 ,55 (5 ):958 -967 .
[本文引用: 1]
[6]
姚晟 ,汪杰 ,徐风 ,等 . 不完备邻域粗糙集的不确定性度量和属性约简
计算机应用 ,2018 ,38 (1 ):97 -103 .
[本文引用: 1]
Yao S ,Wang J ,Xu F ,et al . Uncertainty measurement and attribute reduction in incomplete neighborhood rough set
Journal of Computer Applications ,2018 ,38 (1 ):97 -103 .
[本文引用: 1]
[7]
Zheng J ,Wang Y M ,Zhang K ,et al . A dynamic emergency decision⁃making method based on group decision making with uncertainty information
International Journal of Disaster Risk Science ,2020 ,11 (5 ):667 -679 .
[8]
Yang L ,Zhang X Y ,Xu W H ,et al . Multi⁃granulation rough sets and uncertainty measurement for multi⁃source fuzzy information system
International Journal of Fuzzy Systems ,2019 ,21 (6 ):1919 -1937 .
[本文引用: 1]
[9]
孙妍 ,米据生 ,冯涛 ,等 . 变精度极大相容块粗糙集模型及其属性约简
计算机科学与探索 ,2020 ,14 (5 ):892 -900 .
[本文引用: 1]
Sun Y ,Mi J S ,Feng T ,et al . Maximum consistent block based variable precision rough set model and attribute reduction
Journal of Frontiers of Computer Science & Technology ,2020 ,14 (5 ):892 -900 .
[本文引用: 1]
[10]
Sang B B ,Yang L ,Chen H M ,et al . Generalized multi⁃granulation double⁃quantitative decision⁃theoretic rough set of multi⁃source information system
International Journal of Approximate Reasoning ,2019 ,115 :157 -179 .
[11]
杨霁琳 ,秦克云 ,裴峥 . 不完备决策表中基于相似关系的属性约简
计算机工程 ,2010 ,36 (20 ):10 -12 .
[本文引用: 1]
Yang J L ,Qin K Y ,Pei Z . Attributes reduction based on similarity relation in incomplete decision table
Computer Engineering ,2010 ,36 (20 ):10 -12 .
[本文引用: 1]
[12]
Kryszkiewicz M . Rough set approach to incomplete information systems
Information Sciences ,1998 ,112 (1-4 ):39 -49 .
[本文引用: 4]
[13]
Leung Y ,Li D Y . Maximal consistent block technique for rule acquisition in incomplete information systems
Information Sciences ,2003 (153 ):85 -106 .
[本文引用: 3]
[14]
黄治国 ,王淼 . 不完备决策表中基于容差关系的属性约简方法
微电子学与计算机 ,2016 ,33 (6 ):147 -151 ,156 .
[本文引用: 6]
Huang Z G ,Wang M . Attribute reduction based on tolerance relation in incomplete decision table
Microelectronics & Computer ,2016 ,33 (6 ):147 -151 ,156 .
[本文引用: 6]
[15]
鄂旭 ,邵良杉 ,周津 ,等 . 一种新的不完备信息系统属性约简算法
重庆邮电大学学报(自然科学版) ,2010 ,22 (5 ):648 -651 ,664 .
[本文引用: 4]
E X ,Shao L S ,Zhou J ,et al . A new attribute reduction algorithm in an incomplete information system
Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition) ,2010 ,22 (5 ):648 -651 ,664 .
[本文引用: 4]
[16]
黄文涛 ,赵学增 ,王伟杰 ,等 . 基于不完备数据的汽轮机组故障诊断的粗糙集方法
汽轮机技术 ,2004 ,46 (1 ):57 -59 .
[本文引用: 2]
Huang W T ,Zhao X Z ,Wang W J ,et al . Rough sets method of fault diagnosis for steam turbine based on incomplete data
Turbine Technology ,2004 ,46 (1 ):57 -59 .
[本文引用: 2]
[17]
李化 . 汽轮发电机组振动故障智能诊断模型的理论及方法研究 . 博士学位论文. 重庆 :重庆大学 ,1999 .
[本文引用: 3]
Li H . Research on theory and method of intelligent diagnosis model for turbine generator vibration fault . Ph.D. Dissertation. Chongqing :Chongqing University ,1999 .
[本文引用: 3]
[18]
邴汉昆 . 基于小波分析和SVM的汽轮机非线性振动故障诊断研究
硕士学位论文 . 北京 :华北电力大学 ,2013 .
[本文引用: 2]
Bing H K . Research on nonlinear vibration fault diagnosis of steam turbine based on wavelet analysis and SVM
Master Dissertation . Beijing :North China Electric Power University ,2013 .
[本文引用: 2]
基于概念格的不完备信息系统最简规则提取算法
1
2019
... 随着科学技术的进步,现代工业生产向大型化、自动化等方向发展,各设备间的联系也更加紧密.因此,对设备的故障诊断面临新的挑战,其中一项是不完备信息条件下的故障诊断.对于故障诊断,不完备信息[1 ] 指诊断系统中某一数据对象或多个数据对象的属性值(一般为条件属性)丢失、不完全或无法确定,表现为数据信息残缺.为了保证设备运行的安全稳定,对不完备信息条件下的故障诊断方法进行研究有一定现实意义. ...
基于概念格的不完备信息系统最简规则提取算法
1
2019
... 随着科学技术的进步,现代工业生产向大型化、自动化等方向发展,各设备间的联系也更加紧密.因此,对设备的故障诊断面临新的挑战,其中一项是不完备信息条件下的故障诊断.对于故障诊断,不完备信息[1 ] 指诊断系统中某一数据对象或多个数据对象的属性值(一般为条件属性)丢失、不完全或无法确定,表现为数据信息残缺.为了保证设备运行的安全稳定,对不完备信息条件下的故障诊断方法进行研究有一定现实意义. ...
Rough sets
1
1982
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
Incremental mechanism of attribute reduction based on discernible relations for dynamically increasing attribute
1
2020
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
Feature selection based on rough set approach,wrapper approach,and binary whale optimization algorithm
1
2020
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
基于粗糙集知识发现的开放领域中文问答检索
1
2018
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
基于粗糙集知识发现的开放领域中文问答检索
1
2018
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
不完备邻域粗糙集的不确定性度量和属性约简
1
2018
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
不完备邻域粗糙集的不确定性度量和属性约简
1
2018
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
A dynamic emergency decision?making method based on group decision making with uncertainty information
0
2020
Multi?granulation rough sets and uncertainty measurement for multi?source fuzzy information system
1
2019
... 粗糙集理论[2 ] 是一种处理不精确、不确定和不完备数据的有效分析理论与方法,已在属性约简[3 ] 、特征选择[4 ] 、知识发现[5 ] 等实际应用方面得到了深入的研究.目前,对不完备信息的处理方法主要包括删除法、数据补齐法和模型扩充法等[6 -8 ] .删除法和补齐法都是通过对缺失信息进行处理,使不完备系统转换为完备信息系统再加以处理,但这两种方法都有一定局限性.扩充模型法则是对经典模型加以拓展,使之适应不完备系统的数据处理,这样既保持了信息系统的完整性,又避免了信息失真.因此,扩充模型法成为当今处理不完备信息的主流方法. ...
变精度极大相容块粗糙集模型及其属性约简
1
2020
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
变精度极大相容块粗糙集模型及其属性约简
1
2020
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
Generalized multi?granulation double?quantitative decision?theoretic rough set of multi?source information system
0
2019
不完备决策表中基于相似关系的属性约简
1
2010
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
不完备决策表中基于相似关系的属性约简
1
2010
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
Rough set approach to incomplete information systems
4
1998
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
... 定义1[12 ] ...
... 定义2[12 ] ...
... 定义3[12 ] ...
Maximal consistent block technique for rule acquisition in incomplete information systems
3
2003
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
... 定义4[13 ] ...
... 命题1[13 ] ...
不完备决策表中基于容差关系的属性约简方法
6
2016
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
... V , f 如表1 所示,为了后续的对比研究,选取文献[14 -15 ]中的不完备决策表. ...
... 不完备决策表DT [14 -15 ] ...
... An incomplete decision table DT [14 -15 ] ...
... 利用2.1中计算的极大相容块,本节给出不完备决策表的属性约简新方法.黄治国和王淼[14 ] 提出由原不完备决策表转化为极大相容块最全描述系统的方法,但在转化过程中没有考虑决策属性,即所求的属性约简与决策属性无关,这不符合决策表的属性约简规则.因此,下面给出极大相容块最全描述决策表的定义. ...
... Comparison of our algorithm with other attribute reduction algorithms of incomplete decision tables
Table 4 约简算法1[15 ] 约简算法2[14 ] 本文算法 例1的约简 a , c , d , e , f , h a , d , f , h d , f , h 基于容差关系 是 否 否 基于极大相容块 否 是 是 基于分辨矩阵 是 是 是 转换为新的决策表 否 是 是 考虑决策属性 是 否 是
3 基于极大相容块与智能分类器的故障诊断方法 结合上节提出的基于极大相容块的属性约简方法与智能分类器,提出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法,并对汽轮机组的故障诊断做仿真实验. ...
不完备决策表中基于容差关系的属性约简方法
6
2016
... 目前,将经典粗糙集模型进行拓展来处理不完备信息已经吸引了很多学者[9 -11 ] .例如,Kryszkiewicz[12 ] 提出不完备决策表中的容差关系,将经典粗糙集模型扩充为基于容差关系的粗糙集模型,并基于容差关系提出不完备决策表的属性约简.Leung and Li[13 ] 在容差关系的基础上提出极大相容块的概念并将其用于解决不完备信息系统的属性约简问题.黄治国和王淼[14 ] 基于极大相容块概念将原不完备决策表转化为极大相容块最全描述系统,进一步研究了属性约简问题.然而,在极大相容块最全描述系统时并未考虑原决策表中的决策属性,因此,本文进一步考虑带有决策属性的极大相容块最全描述系统.另一方面,极大相容块是不完备决策表的最小知识粒单元,对于不完备决策系统知识约简与决策分析有重要研究意义.然而,如何设计有效的基本知识粒(极大相容块)获取方法以及在此基础上设计快捷高效的知识约简方法,仍然是当前不完备决策系统数据分析与处理面临的重要问题. ...
... V , f 如表1 所示,为了后续的对比研究,选取文献[14 -15 ]中的不完备决策表. ...
... 不完备决策表DT [14 -15 ] ...
... An incomplete decision table DT [14 -15 ] ...
... 利用2.1中计算的极大相容块,本节给出不完备决策表的属性约简新方法.黄治国和王淼[14 ] 提出由原不完备决策表转化为极大相容块最全描述系统的方法,但在转化过程中没有考虑决策属性,即所求的属性约简与决策属性无关,这不符合决策表的属性约简规则.因此,下面给出极大相容块最全描述决策表的定义. ...
... Comparison of our algorithm with other attribute reduction algorithms of incomplete decision tables
Table 4 约简算法1[15 ] 约简算法2[14 ] 本文算法 例1的约简 a , c , d , e , f , h a , d , f , h d , f , h 基于容差关系 是 否 否 基于极大相容块 否 是 是 基于分辨矩阵 是 是 是 转换为新的决策表 否 是 是 考虑决策属性 是 否 是
3 基于极大相容块与智能分类器的故障诊断方法 结合上节提出的基于极大相容块的属性约简方法与智能分类器,提出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法,并对汽轮机组的故障诊断做仿真实验. ...
一种新的不完备信息系统属性约简算法
4
2010
... V , f 如表1 所示,为了后续的对比研究,选取文献[14 -15 ]中的不完备决策表. ...
... 不完备决策表DT [14 -15 ] ...
... An incomplete decision table DT [14 -15 ] ...
... Comparison of our algorithm with other attribute reduction algorithms of incomplete decision tables
Table 4 约简算法1[15 ] 约简算法2[14 ] 本文算法 例1的约简 a , c , d , e , f , h a , d , f , h d , f , h 基于容差关系 是 否 否 基于极大相容块 否 是 是 基于分辨矩阵 是 是 是 转换为新的决策表 否 是 是 考虑决策属性 是 否 是
3 基于极大相容块与智能分类器的故障诊断方法 结合上节提出的基于极大相容块的属性约简方法与智能分类器,提出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法,并对汽轮机组的故障诊断做仿真实验. ...
一种新的不完备信息系统属性约简算法
4
2010
... V , f 如表1 所示,为了后续的对比研究,选取文献[14 -15 ]中的不完备决策表. ...
... 不完备决策表DT [14 -15 ] ...
... An incomplete decision table DT [14 -15 ] ...
... Comparison of our algorithm with other attribute reduction algorithms of incomplete decision tables
Table 4 约简算法1[15 ] 约简算法2[14 ] 本文算法 例1的约简 a , c , d , e , f , h a , d , f , h d , f , h 基于容差关系 是 否 否 基于极大相容块 否 是 是 基于分辨矩阵 是 是 是 转换为新的决策表 否 是 是 考虑决策属性 是 否 是
3 基于极大相容块与智能分类器的故障诊断方法 结合上节提出的基于极大相容块的属性约简方法与智能分类器,提出不完备信息条件下基于极大相容块与智能分类器的故障诊断方法,并对汽轮机组的故障诊断做仿真实验. ...
基于不完备数据的汽轮机组故障诊断的粗糙集方法
2
2004
... 为了阐述3.1提出的故障诊断新方法,选择汽轮发电机组常见的振动故障作为诊断实例进行仿真实验.数据处理及运算所用设备:ThinkPad X390笔记本电脑,CPU为Intel 酷睿i7 8565U,Windows10系统.征兆属性为汽轮发电机组振动信号的频域特征频谱中< 0.4 f , 0.4 ~ 0.5 f , 1 f , 2 f , ≥ 3 f (f 为旋转频率)等五个不同频段上的幅值分量能量,分别表示为a ,b ,c ,d,e ;决策属性D 表示汽轮机组的故障类别,D 的取值为1,2和3,分别对应汽轮机组常见的三种故障:油膜振荡、不平衡、不对中.不完备汽轮机故障信息表如表5 [16 -17 ] 所示(表中数据已归一化处理). ...
... 根据步骤3,只需将条件属性a 和c 的属性值完备化,即可构建新的数据集,该数据集作为训练集进行智能故障分类器训练.此处智能分类器先选择支持向量机(Support Vector Machine,SVM).SVM网格法选择惩罚参数γ 与核参数g ,范围均为- 10,10 . 但因为后续对比研究的需要,此处将表5 都完备化,完备化的方法采用黄文涛等[16 ] 的方法补齐.完备化后的数据集如表9 所示,其中粗体数据表示最终所选的属性值与决策值,加下画线的数据表示补齐的数据. ...
基于不完备数据的汽轮机组故障诊断的粗糙集方法
2
2004
... 为了阐述3.1提出的故障诊断新方法,选择汽轮发电机组常见的振动故障作为诊断实例进行仿真实验.数据处理及运算所用设备:ThinkPad X390笔记本电脑,CPU为Intel 酷睿i7 8565U,Windows10系统.征兆属性为汽轮发电机组振动信号的频域特征频谱中< 0.4 f , 0.4 ~ 0.5 f , 1 f , 2 f , ≥ 3 f (f 为旋转频率)等五个不同频段上的幅值分量能量,分别表示为a ,b ,c ,d,e ;决策属性D 表示汽轮机组的故障类别,D 的取值为1,2和3,分别对应汽轮机组常见的三种故障:油膜振荡、不平衡、不对中.不完备汽轮机故障信息表如表5 [16 -17 ] 所示(表中数据已归一化处理). ...
... 根据步骤3,只需将条件属性a 和c 的属性值完备化,即可构建新的数据集,该数据集作为训练集进行智能故障分类器训练.此处智能分类器先选择支持向量机(Support Vector Machine,SVM).SVM网格法选择惩罚参数γ 与核参数g ,范围均为- 10,10 . 但因为后续对比研究的需要,此处将表5 都完备化,完备化的方法采用黄文涛等[16 ] 的方法补齐.完备化后的数据集如表9 所示,其中粗体数据表示最终所选的属性值与决策值,加下画线的数据表示补齐的数据. ...
3
1999
... 为了阐述3.1提出的故障诊断新方法,选择汽轮发电机组常见的振动故障作为诊断实例进行仿真实验.数据处理及运算所用设备:ThinkPad X390笔记本电脑,CPU为Intel 酷睿i7 8565U,Windows10系统.征兆属性为汽轮发电机组振动信号的频域特征频谱中< 0.4 f , 0.4 ~ 0.5 f , 1 f , 2 f , ≥ 3 f (f 为旋转频率)等五个不同频段上的幅值分量能量,分别表示为a ,b ,c ,d,e ;决策属性D 表示汽轮机组的故障类别,D 的取值为1,2和3,分别对应汽轮机组常见的三种故障:油膜振荡、不平衡、不对中.不完备汽轮机故障信息表如表5 [16 -17 ] 所示(表中数据已归一化处理). ...
... 汽轮机组故障的测试集[17 -18 ] ...
... A test set of turbine fault diagnosis[17 -18 ] ...
3
1999
... 为了阐述3.1提出的故障诊断新方法,选择汽轮发电机组常见的振动故障作为诊断实例进行仿真实验.数据处理及运算所用设备:ThinkPad X390笔记本电脑,CPU为Intel 酷睿i7 8565U,Windows10系统.征兆属性为汽轮发电机组振动信号的频域特征频谱中< 0.4 f , 0.4 ~ 0.5 f , 1 f , 2 f , ≥ 3 f (f 为旋转频率)等五个不同频段上的幅值分量能量,分别表示为a ,b ,c ,d,e ;决策属性D 表示汽轮机组的故障类别,D 的取值为1,2和3,分别对应汽轮机组常见的三种故障:油膜振荡、不平衡、不对中.不完备汽轮机故障信息表如表5 [16 -17 ] 所示(表中数据已归一化处理). ...
... 汽轮机组故障的测试集[17 -18 ] ...
... A test set of turbine fault diagnosis[17 -18 ] ...
基于小波分析和SVM的汽轮机非线性振动故障诊断研究
2
2013
... 汽轮机组故障的测试集[17 -18 ] ...
... A test set of turbine fault diagnosis[17 -18 ] ...
基于小波分析和SVM的汽轮机非线性振动故障诊断研究
2
2013
... 汽轮机组故障的测试集[17 -18 ] ...
... A test set of turbine fault diagnosis[17 -18 ] ...