基于粒计算——神经网络的故障诊断方法与应用

【摘要】：最近几年来,国内外的许多学者对粒计算理论及其应用做了深入地研究,发现粒计算的理论研究不仅为不完整数据的分析、推理,以及提取有用的属性、发现数据间的关系、简化信息处理等提供了一个有力的工具；还为研究不确定的、不精确的知识表达、归纳、学习方法等提供了一个崭新的方法,并且已经在很多的领域中取得了丰硕的成果。粒计算理论不但给出了对知识、数据的求核和约简方法,而且还提供了从决策信息系统中抽取规则的能力,所以粒计算理论在刻画知识表达系统中不同属性的重要性以及其在知识表达空间的简化能力方面都具有很强的优势,而且能有效地处理不一致的或一致的决策信息系统。但是粒计算理论也存着一些不足,比如说在推广能力和容错能力方面就相对无力,而且也只能处理量化的数据,在处理病态数据等方面往往显得无计可施。ANN采用的是并行处理方法,因此其能快速地联想到学习样本中的类似情况,从而快速地做出决策。利用神经网络进行故障诊断时,虽然解决了知识获取和自学习的难题,但是当样本数量比较庞大,且样本空间分布也比较复杂时,神经网络的训练就难以达到收敛,并且ANN的这个处理过程缺乏透明性。如果把粒计算与神经网络相结合,其不但可以很好的利用两者之间的优点,而且还可以相互弥补对方的不足。 因此本文利用了一个基于粒计算和神经网络的松耦合故障诊断方法对某一配电网进行了实验,该实验方法不但充分利用了粒计算理论的属性约简优势,还结合了神经网络的知识获取和自学习的能力。其核心思想是：将粒计算理论作为神经网络的前端处理器,也就是说利用粒计算的强大约简能力对原始的信息系统进行化简,在此基础上,本文还在粒计算的理论中引入了粒度及基于相对粒度属性重要性的概念,并把它作为启发式信息,从而对诊断系统的一系列输入变量进行一个合理的选择,换句话说是选取与故障信息相关性较大的参数作为BP神经网络的输入,从而降低求解规模,也就是得到与原始信息等价的最小属性集；然后再构建基于最小属性集的神经网络,利用BP神经网络开始进行建模及参数辨识,并通过适量的样本进行学习训练,其这样不但减少了ANN的学习训练时间,还提高了网络诊断的准确度。最后,本文用该方法对某一配电网进行了故障诊断,其仿真结果表明：该方法不但是可行有效的,而且计算速度快,具有良好的容错能力和在线故障诊断的潜力。