混合决策系统的粗集模型及在转台故障诊断中的应用

【摘要】： 机器学习和知识发现是人工智能最重要的研究方向,而复杂环境下信息的模糊性、不完备性和不确定性是知识发现面临的主要困难。粗糙集理论模拟人类认知推理中粒化和近似的特点,是刻画分类数据不一致性的有效数学工具,已经成功应用于符号数据的知识发现。目前,对于广泛存在的符号、数值、模糊和不完备变量共存混合决策系统的复杂分类问题还没有得到系统的研究。 本文基于粗糙计算方法论中粒化和近似的思想,针对名义型属性、数值型属性、模糊属性、丢失型不完备属性和遗漏型不完备属性共存的混合决策系统,建立了混合数据分类和知识发现的一般模型,研究了基于仿生学理论的多种属性约简算法。将粗糙集理论应用到转台的故障诊断中,分析了转台的主要故障,采用小波变换的方法对故障特征进行提取,设计了粗糙神经网络故障诊断系统。具体对以下几个方面进行了研究: Pawlak粗糙集建立在严格的等价关系基础之上,只能处理符号变量,但实际应用中普遍存在数值变量、模糊变量,还常常伴随着属性值的缺失,这为粗糙集的应用带来了困难。针对以上几个方面的问题,分析了混合决策系统、模糊决策系统和不完备决策系统的特点,针对广义不完备混合决策系统建立了广义不完备邻域粗糙集模型;针对广义不完备模糊决策系统,建立了广义不完备模糊邻域粗糙集模型,研究了不完备信息的辨识方法,分析了邻域算子对模型分类精度的影响。广义不完备邻域粗糙集模型和广义不完备模糊邻域粗糙集模均是对Pawlak粗糙集推广,有效地解决了实际应用中混合属性、模糊属性和不完备属性的问题。 针对多种属性共存的混合决策系统,研究了决策系统的属性约简问题。首先分析了经典的属性约简算法。然后研究了基于遗传算法、克隆选择算法和小生境微粒群算法的不完备混合决策系统属性约简算法,并给出了实现方法。仿真结果显示这几种属性约简算法都能有效地克服求解全部约简的NP-hard问题,实现对混合决策系统的属性约简。 在分析转台系统的主要故障的基础上,研究了采用小波变换进行故障特征提取的方法。转台的主要故障分为六类:软件故障、测角系统故障、通讯系统故障、接口板故障、执行器故障和机械故障,分析了故障原因及产生机理。介绍了小波分析的基本理论,利用小波分析理论检测信号的奇异性和去除信号中的高频噪声。以转台测角系统激磁信号常见故障为例,采用小波变换的方法对第一、二类间断点、幅值超差、失真度超差、饱和等故障进行了特征提取。 论文最后分析了粗糙集和神经网络的优缺点,设计了转台的粗糙神经网络故障诊断系统。首先利用粗糙集理论建立了转台的故障决策表,然后采用粗糙集的方法对故障决策表进行属性约简。粗糙集方法的应用有效去掉了冗余属性,使训练样本集简化,缩短了神经网络的训练时间。神经网络有良好的容错性和扩展性,所以将其作为后置系统,可以增强故障诊断系统的容错及抗干扰能力。粗糙神经网络分类器和辨识器的设计可以有效地实现对转台故障的识别和定位。最后给出了转台粗糙神经网络故障诊断系统的硬件设计和软件实现方法,实验结果证明了该方法的可行性和有效性。 综上所述,本文对粗糙集方法在混合、不完备、模糊信息系统的知识发现方法和实际故障诊断问题中的应用进行了深入系统的研究,拓宽了粗糙集理论的应用范围,实现了转台的故障诊断和健康管理。