基于粗糙集人工神经网络的锅炉故障诊断模型
基于粗糙集和BP神经网络算法的网络故障诊断模型研究
收 稿 日期 ：２ ０ １ ２ — １ 卜Ｏ ３ ． 宁 波大 学学 报 （ 理工 版 ）网址 ： ｈ ｔ ｔ ｐ ： ／ ／ ｎ ｂ ｄ ｘ ｌ ｇ ． ｐ ａ ｐ ｅ ｒ ｏ ｐ ｅ ｎ ． ｃ ｏ ｍ／ 基 金项 目：国家 自然科 学基 金 （ ６ １ １ ４ １ ０ １ ５）； 浙 江 省 自然 基金 （ ＹＩ １ １ ０ １ ６ １ ） ；宁 波市 自然 科学 基金 （ ２ ０ １ １ Ａ６ １ ０ １ ８ １ ）． 一作 者：尚志信 （ １ ９ ８ ６一 ）， 男， 河 南商 丘 人， 在 读硕 士 研究 生 ， 主 要研 究方 向 ： 嘲络 故 障诊 断 ． Ｅ — ｍａ ｉ ｌ ： ｘ ｉ ｎ ｚ ｈ ｉ ｓ ｈ ａ ｎ ｇ ２ ０ ０ ７ ＠１ ６ ３ ． ｔ ｏ ｍ 通信 作者 ：周 宇 （ １ ９ ６ ０ 一 ），男，山东 威海 人 ， 教授 ，主要 研究 方 向：网络 通信 及 计算机 软 件． Ｅ － ｍａ ｉ ｌ ： ｚ ｈ ｏ ｕ ｙ ｕ ＠ｎ ｂ ｕ ． ｅ ｄ ｕ ． ｃ ｎ
神 经 网络 ，建 立基 于粗糙 集和 Ｂ Ｐ神 经 网络 的计算机 网络故 障诊 断模 型 ；最后 将模 型运 用 于真 实
网络故障数据诊 断． 结果表 明： 该模 型具有 学习效率高、诊 断速度快、准确率高的特点， 能够快 速诊 断 网络 故 障类 型．
关 键词 ：粗糙 集； ＢＰ神 经 网络 ；网络 故 障诊 断；知 识库
１ 网络 故 障诊 断模型
构 建网络状 态的数学模型， 对 于一个复杂 的 计算机 网络而言， 可通过 多种方式采集网络的 ｍ
种特 征 属性
．
（ ｆ ） ， 故障特征向量集合如下：
基于一种新型粗糙集神经网络的故障诊断
（ ｅｔ ｆ Ｔａｎｎ Ａｒ ｏｃ ｎ ｉｅｒ ｇ Ｕ ｉ ｒｔ Ｘ ’ ｎＳ ａ ｘ ７ ０ ３ ，Ｃ ｉａ Ｄ ｐ．ｏ ｒｉｉ ｇ， ｉＦ ｒ Ｅ ｇｎｅｉ ｎｖ ｓｙ， ｉａ ｈ ｎ ｉ １０ ８ ｈｎ ） ｅ ｎ ｅｉ
Ｒｏ ｇ ｅ ｈｅ ｒ ａ ｏ ｒｕ ａ ａ ｌｔ ｏ ａ ｉａｉｅ ｎａｙ ｉ ｕ ｈ ｓ ｔｔ ｏｙ ｈ ｓ ｐ ｗｅｆ ｌｃ ｐ ｂｉｉ ｆｒｑｕ ｌｔｔｖ ａ ｌｓｓ，ｗｈｉｅ Ｓ ｙ ｌ ＯＦＭ ｔ ｒ ａ ｐ ｒ ａ ｈ ｍｏ ｔｐ ｏ ｅ ａ ｔａ ｄ ｎｅｗｏ ｋ ｃ ｎ ａ ｐ ｏ ｃ ｓ ｒ ｂｌｍｓ ｆｓ ｎ
ｖｓ ａ ｉ ｅ ｕ ｔｅ ｓ ｙ Ｂ ｏ ｉ ｇ ｔｏ ｅ ａ ｖ ｎ ａ ｅ ｆ ｈ ｗ ｈ ｏ ｅ 。ａ ｓ ｓ ｍ ｏ ｈ ｒ ｉ ｄ ｓ ｎ ｄ ａ ｄ ｔ ｅ Ｗ ｒ ｒｎ ｉ ｉｕ ｌ ｅ ｒ ｓ ｌ ａ ｉ ｙ ｃ ｍｂｎ ｈ ｓ ｄ ａ ｔｇ ｓ ｏ ｅ ｔ ｏ ｔ ｅ ｒ ｓ ｙ ｔ ｆ ｗ ｃ ａ Ｓ ｅ ｉ ｅ ｎ ｈ Ｏ ｋ ｐ ｃ— ｚ ｌ ｔ ｉ ｅ ｌ ｔ ｇ ｉ
Ａｂ ｔａ ｔ ｅ ｏ ｇ ｅ—ｅ ｒｌ ｅｗ ｒ ａ ｅ ｎＳ ｌ Ｏ ｇ ｎｚｄＦ ａｕｅＭａ Ｓ Ｍ）ｎ ｔ ｏｋｉ ｐ ｅｅ ｔｄｉ ｉ ｐ ｐ ｒ ｓｒ ｃ ：Ａ ｎ ｗ ｒｕ ｈ ｓｔ ｕａ ｔ ｏｋｂ ｓｄｏ ｅｆ ｒａ ｉ ｅ ｔｒ ｐ（ ＯＦ ｎ ｎ ｅ ｅｗ ｒ ｒｓｎｅ ｎｔ ｓ ａ ｅ． ｓ ｈ
维普资讯
・
ｌ６・ ５
计算 机应 用研 究
２０ ０ ６拄
基 于 一 种 新 型 粗 糙 集 神 经 网络 的故 障诊 断
基于粗糙集与模糊神经网络的故障诊断
业
ｌ 边练囤络 Ｉ
诊断结论 ．
粗糙集 能够对 不完全 、不确定 的信息进行 有效
的处理 ，消除冗余数 据 ，提取 有用信 息 ，但是 由于 粗 糙集方法 本身 的局 限性 ，它很难处 理新数据 ，并 且 对连续性 数据办法 不多 ，不具备推 广性 。模糊 神 经 网络 中蕴 含的模糊规 则 ，避 免 了神经 网络 在知识
问题还处在研究 中， 许多人提出了各 自不同的方法 ：
基 本法 、概 念树 法 、期 望值 法 、动态 聚类法 等【。 ５ 】
一
１２ 数据 约 简 和 规则 获 取 ． 在故障诊 断工程 应用 中 ， 为保证 故障诊 断精度 ，
。
登 Ｉ（ 藕罐集处理 ｌ 数据约 简和 规则获取）
韧始化 隶属函蛋
论与神经网络的融合，它同时拥有模糊系统和神经 网络 的优 点 ，它 既能像模糊 逻辑那 样表达定 性 的知
识 ，处理不 完整 、模糊 的数 据 ，又 拥有神经 网络强 大的 自学 习 、 自调整 能力 。
＝ 一
粗 糙集理论 不能直 接对连续 数据进 行处 理 ，而 工 程领 域 中 故 障诊 断 的 各种 特征 参 数 多 是 连续 性 的， 如何将其 离散化是 首先需 要解决 的问题 。目前 ， 在粗糙集 的应用研 究 中 ，离散化过 程大 多基 于领 域 专 家的经验 知识来实 现 ，寻 找最优 的离散化 方法 的
第 ２ 卷 第 ２期 ５ ２１ ０ ０年 ３月
海 军 航 空 工 程 学 院 学 报
Ｊ ｕ ｎ ｌ ｆ ｖ ｌ ｒ ｎ ｕ ｉ ａ ａ ｄＡｓｒ ｎ ｕ ｉ ａ Ｕｎ ｖ ｒ ｉ ｏ ｒ ａ ｏ Ｎａ ａ Ａｅｏ ａ ｔ ｌ ｎ ｃ ｔｏ ａ ｔ ｌ ｉ ｅｓｔ ｃ ｙ
粗糙集-神经网络与证据理论融合推理的综合故障诊断方法研究
２ ０ １ ３年 ２月
武汉理 工 大学学 报 （ 交 通科 学 与工程 版）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ ｆ ｕ ＾ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
（ Ｔｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ）
国 家 自然 科 学 基 金 项 目资 助 （ 批准号 ： ７ ０ ４ ７ １ ０ ３ １ ， ６ ０ ７ ７ ４ ０ ２ ９ ）
第 １期
杨
广， 等： 粗糙集一 神 经 网 络 与 证 据 理 论 融合 推 理 的 综 合 故 障 诊 断 方 法 研 究
户 （ ｙ Ｊ ｌ Ｘ ）一 户 （ Ｘ Ｙ ｊ ） ／ Ｐ（ Ｘ ）＝
提 取关 键特征 ； 再 运 用 并 行 集成 神 经 网络 对 粗糙
集 融合 处理后 的特 征 数据 进 行 特 征 层融 合 ， 可有 效 的简 化各 个神 经 网络结 构 ， 缩 短 网络训 练时 间 ， 获得 网络 的局部 诊 断结 果 （ 每 个局 部 诊 断 结 果 形 成一个 证据 体） ， 并得 到基 本可信 度 分配 的客 观化 方法 ； 最后 运用 Ｄ — Ｓ证据 理 论 对 各 局部 诊 断 结 果 （ 各证 据体 ） 进行 决策 层融 合 ， 得 到综 合诊 断结 果．
本 文分析 了粗 糙集 、 神经 网络 、 证据 理论 信息
融 合方 法各 自优 缺点 ， 运用综 合集 成原 理 ， 将 三者 进 行有 机 的融 合 ， 提 出 了 ３种 方法 融 合 推 理 的综
合 故 障诊 断策略 ． 即 用粗 糙 集 理论 对 原 始 征 兆数
基于粗糙集神经网络的故障诊断
Ｙ Ｎ Ｊ ｎ Ｓ Ｅ ｏ ｇｒ Ｃ Ｅ ｉｕ ， Ｈ Ｎ Ｆ ｎ Ａ ｕ ， Ｈ Ｎ Ｄ ｎ － ， Ｈ Ｎ Ｙ － ｎ Ｃ Ｅ ｅ ｇ ｉ ｊ
（ ｃ ｏｌｏ ｆｒ ｔ ｎ＆ Ｃ ｎｒｌＥ ｇｎ ｅｉｇ．Ｌａ ｎｎ ｎｖ ｒｉ Ｓ ｈ ｏ ｆＩ ｏｍａｉ ｎ ｏ ｏ ｔ ｎ ｉｅ ｒ ｏ ｎ ｉｏ ｉｇ Ｕ ｉｅｓｔ ｙ
ｏ ｔｏｅ ｍ ｎ ｅｍｉａ ｃ ｏｏ ｙ， ｓ ｎ １ ３ ０１ Ｃ ｉａ ｆＰｅｒ ｌｕ ａ ｄ Ｃｈ ｃ ｌＴｅ ｈｎ ｌｇ Ｆｕ ｈｕ １ ０ ｈｎ ）
，
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｏｎ ｔ ｅ ｂ ｓｓ ｏ ｕ ａ ｔ ｒ ａ ｌ ｉ ｇ ｏ ｉ ｄ ｌ ｔ ｉ ａ ｅ ｎ ｒ ｄ ｃ ｏ ｇ ｈ ａ ｉ ｆｎｅ ｒ ｌｎｅｗｏ ｋ ｆｕ ｔｄ ａ ｎ ｓｓ ｍｏ ｅ ，ｈ ｓ ｐ ｐ ｒ ｉ ｔｏ ｕ ｓ ｒ ｕ ｈ
ｓ ｔ ｔ ｅ ｒ ｎ ｉｃｅｅ ｍｅｈ ｄ ｏ ｏ ｔ ｏ ｓ ａｔ ｂ ｔ ａｕ ．Ａｎ ｏ ｇ ｅｓ ｔ ｅ ｒ ｓｕ ｅ ｏ ｅ ｓ ｈ ｏ ｙ ａ ｄ ｄ ｓ ｔｔ ｔ ｏ ｆ ｎ ｉ ｕ ｔ ｉ ｕ ｅ ｖ ｌ ｅ ｃ ｎ ｒ ｄ ｒ ｕ ｈ ｓ ｔ ｏ ｙ ｉ ｓ ｄ ｔ ｈ ｅ ｉ ｎ ｔ ｕ ｎ ｓ ａ ｔ ｂ ｔｓ ｆ ｍ ｈ ｅ ｉｉｎ ｔｂ ｅ Ｔ ｅ ｒ ｓ ｌ ｏ ｍｌ ａｏ ｄ ｃ ｔ ｔ ａ ｈ ｓ ｌ ｍｉ ａｅ ｎ ｅ ｓ ｒ ａｔ ｕ ｅ ｏ ｔ ｅ ｄ ｃｓｏ ａ ｌ ． ｈ ｅ ｕ ｔ ｆｅ ｕ ｔ ｒ ｎ ｉ ａｓ ｈ ｔ ｉ ｙ ｉ ｒ ｒ ｉ ｔ
维普资讯
第２ 卷 第４ ３ 规
２０ 年 ８月 ０７
哈 尔 滨 商 业 大 学 学 报（ 自然科 学版 ）
Ｊ ｕ ｎ ｌ ｆ ｒ ｉ ｉｅｓ ｙｏ ｏ ｏ ｒ ａ ｂｎＵｎｖ ｒｉ ｆＣ ｍｍｅｃ Ｎ ｔｒ ｌ ｃｅ ｃｓＥ ｉｏ ） ｏ Ｈａ ｔ ｒｅ（ ａｕ ａ Ｓ ｉ ｅ ｄｔ ｎ ｎ ｉ
基于粗糙集的容错神经网络故障诊断系统
（ 国矿 业 大 学 信 息与 电气工程 学 院 ，江 苏 徐 州 ２ １０） 中 ２０８
摘 要： 粗糙 集和神 经 网络在故 障诊 断 中都得 到 了广泛 的应 用 ， 两者 都有其局 限性 ， 但 同时在许 多方 面有其 互补性 ， 融合粗 糙 集和神经 网络各 自的优 势 ， 立 了粗 糙集一～ 客错 神 经 网络 故障诊 断 系统 。 用粗糙 集对 原始数 据进 行 简约 ， 出最 简诊 建 利 导 断规 则 ， 据 选择 的冗余 约简和最 简诊 断规 则建立粗糙 集一 一 错神 经 网络 故障诊 断 系统 。 根 客 以滚动 轴承 故障诊 断为 例， 仿真 结 果表 明系统提 高 了故 障诊 断准确率 和诊断速 度 ， 消除 了故 障诊 断 中的误报和 漏报 现 象。
Ａｂ ｔａ ｔ Ｒｏ ｇ ｅ ｎ ｅ ｒｌ ｅｗｏｋｏ ｃ ｌｙ ｎｉ ｏ ｔｎ ｌ ｕｔ ｉｇ ｏ ｉ ｎ Ｏｏ ， ｂ ｔｈ ｒ ｘｓ ｍｅｌ ｔ ｅ ｅ ｓｒ ｃ： ｕ ｈｓ ｔ ｄｎ ｕ ａ ｔ ｒ ｎ ｅｐａ ｓ ａ ｎ ａ ｍｐ ｒ ｔｏｅｉ ｆ ｌｄａ ｎ ｓｓ ｄＳ ｎ ａ ｒ ｎ ａ ａ ｕ ｅｅｅ ｉｔｏ ｍｉ ｗｈ ｎｔ ｙ ｔ ｓ ｉ ｓ ｈ ａｅｓｍｐｙａ ｐｉｓ ｐ ｒｏｉ ｆ ｏ ｇ ｅ ｎ ｅ ａ ｅ ｒ ｍ ａｇ ｍｅ ， ｒ ｉ ｌ ｐ ｌ ． ｅ ｔ ｒ ｎ ， ｅ ａ ｓ ｈ ｙａｅｃ ｍｐｅ ｎａｙ ｈ ｕ ｅｉｒｔ ｏ ｕ ｈ ｓｔ ｄｎ ｕ ｌ ｔ ｈ ｈ ｈ ｙ ｒ ａ ｒ ｎ ｗｅｅａ ｌａ ｄ ａ ｄｒｕ ｈｓ ｔ ｏｅａ ｃ ｅ ａ ｅ ｕｔ ｉｇ ｏ ｉｓ ｓ ｍ ｓ ｕ ｒ ｒ．Ｔ ｅ ｅ ｕ ｔ ｎ ｏ ｃ ｕ ｅ ａｅ ｎｒｕ ｈｓｔ ｅ ｒ ｓ ｒｖ ｎ ｎ ｇ ｅ－ ｌｒｎ ｅｎ ｕ ｌ ｔ ａ ｌｄａ ｓｓ ｙ ｔ ｗａ ｔ ｏｗａ ｄ ｈ ｄ ｃｉ ｓｆ ｍ ｄ ｔ ｇ ｅｓｔ ｏｙｗａ ｉｅ ， ｏ ｔ ｒ ｎ ｆ ｎ ｅ ｐ ｆ ｒ ｏ ｒ ｒ ｄ ｏ ｏ ｈ ｄ ａ ｄｔｅｍｉｉ ｌ ｉｇ ｏ ｉ ｌ ｓｇ ｔ ｈ ｎｒｕ ｈｓｔ ｏｅａ ｃ ｅ ｒｌ ｅ ｕｔ ｉｇ ｏ ｉ ｓｅ ｗａ ｕｌ．Ｔｈｓ ｙ ｔｍ ｅ ａ ｌｄａ — ｎ ｎｍａ ｄａ ｈ ｎ ｓｓ ｅ ｕ ｒ ｗａ ａ，ｔｅ ｇ ｅ－ ｌｒｎ ｅｎ ｕ ａ ｔａ ｌｄａ ｏ ｔ ｎ ｆ ｎ ｓｓ ｙ ｔｍ ｓ ｉ ｓ ｂ ｔ ｉ ｓ ｓｅ ｔ ｔ ｕｔ ｉｇ ｏｈ ｆ
变精度粗糙集与神经网络在故障诊断中的应用
基于粗糙集的故障诊断特征提取
基于粗糙集的故障诊断特征提取【导言】故障诊断在各个领域中扮演着重要的角色。
精确而及时的故障诊断可以帮助我们解决问题并提高设备和系统的可靠性。
然而，随着技术的不断发展和系统规模的增大，故障诊断的复杂性也在增加。
针对这一问题，基于粗糙集的故障诊断特征提取方法应运而生，为故障诊断研究带来了新的突破。
【正文】1. 粗糙集理论简介粗糙集理论由波兰学者Zdzisław Pawlak于1982年提出，被广泛应用于模糊、不确定和决策论问题。
该理论基于粗糙集、决策规则和等价类的概念，提供了一种处理不完全和不确切信息的方法。
在故障诊断中，粗糙集理论能够帮助我们从数据中提取有用的特征，以用于定位和分析故障。
2. 故障诊断特征提取的挑战在故障诊断中，我们往往需要从大量的数据中提取出包含故障信息的有用特征。
然而，由于数据的复杂性和多样性，特征提取变得非常具有挑战性。
基于粗糙集的故障诊断特征提取方法通过采用近似与精确度的概念，能够从数据中挖掘出具有较高可区分度的特征。
3. 基于粗糙集的故障诊断特征提取方法基于粗糙集的故障诊断特征提取方法主要包括数据预处理、特征选择和模型构建三个步骤。
3.1 数据预处理数据预处理是故障诊断特征提取的第一步。
在这个步骤中，我们需要对原始数据进行质量控制、噪声去除和数据格式转换等操作，以提高数据的可靠性和可用性。
3.2 特征选择特征选择是故障诊断特征提取的核心步骤。
在这个步骤中，我们需要根据数据的性质和目标需求，选择并提取出最具有代表性和判别性的特征。
基于粗糙集的特征选择方法基于精确度和纯度的概念，通过计算每个特征的重要性指标，从而实现特征的筛选和排序。
3.3 模型构建模型构建是故障诊断特征提取的最后一步。
在这个步骤中，我们需要基于已选择的特征构建故障诊断模型。
常用的模型包括决策树、神经网络和支持向量机等。
通过将特征与相应的故障类别进行关联，我们可以实现故障的诊断和定位。
4. 基于粗糙集的故障诊断特征提取方法的优势基于粗糙集的故障诊断特征提取方法具有以下几个优势：4.1 应对不完备和不确定的数据粗糙集理论能够处理不完备和不确定的数据，使得故障诊断在现实环境中更具鲁棒性和适应性。
粗糙集与神经网络故障诊断组合方法应用
测的稳定性下降的问题 。在谐波检测 中， 把一次谐 波信号作为 ＦＰ腔的反馈信号 ， — 稳定了瓦斯气体 的 中心波长 ， 系统的灵敏度和稳定性明显提高， 计算机
控制 部分根 据检测 所得 的两路 浓度信பைடு நூலகம்息 ， 行判断 、 进
［ ］ 彭勇． ２ 高灵敏度光纤气体 传感器 的研究 ［］ Ｊ ．大连海事大学学
ｖ ｒｆｅ ｈ ｔｔ ｅ ｍｏ ｅ ａ ｏ ａ ａ ｙ ｆｓ ｎ ｃ ｕ ａｅ ｄ ａ ｏ ｉ ｇ ａ ｉ ｔｅ ． ｅ ｉ ｓ ｔ ａ ｈ ｄ ｌｈ ｓ ｃ ｍｐ ｒｂｌ ａ ｔａ ｄ ａ ｃ ｒ ｔ ｉ ｇ ｓｎ ｌ ｉｓ ｉ ｎ ｂ ｉ
Ｋ ｙ ｒ ｓ： ｒ ｕ ｈ ｓ ｔ ｒ ｆ ｉ ｅ ｒ ｅｗ ｒ ｅ ｗｏ ｄ ｏ ｇ ｅ ；ａ ｔ ｃ ａ ｎ ｕ ａ ｎ ｔ ｏ ｋ；ｆ ｕｔｄ ａ ｎ ｓｓ ｏ ｇ ｅ － ｅ ｒ ｅｗｏ ｋ ｉ ｌ ｉ ｌ ａ ｌ ｉｇ ｏ ｉ ；ｒ ｕ ｈ ｓ ｔｎ ｕ ａ ｎ ｔ ｒ ｌ
１ 引言
收敛 ； 断复 杂系统 ， 诊 不能 明确 解释诊 断结果 ； 并且 ，
基 于人 工 神 经 网 络 （ Ｎ 的故 障诊 断 方 法 具 Ａ Ｎ）
有很好 的容错 性 ， 利 于 克 服基 于 符号 推 理 方法 的 有 知识 获取瓶 颈 ， 着并 行 技 术 和硬 件 的发 展 已得 到 随
网络结构、 参数设置 、 训练样本的数量和质量等直接 影 响人工 神经 网络诊 断方法 的精度 及泛 化能力 。 粗糙集理论不需要关 于数据的初始或 附加信
息， 直接 对数 据进 行分 析 处 理 ， 取有 用 特征 ， 于 提 适 处 理不完 整 和不精 确 的数 据 。 目前 ， 糙 集 理 论 已 粗 不受 电磁 干扰 的优 良特 性 ， 纤传输 信 号损失 小 ， 光 不 必频 繁校 对 ， 可靠 性高 。 安全
基于粗糙神经网络的WSN节点故障诊断
ABSTRACTWireless Sensor Networks (WSN) is a current emerging and hot technique, its emergence changes the way of human beings interact with nature. WSN has high research value and broad application prospects in the military and civil ,and many other areas. However, as the increased of degree of automation in WSN, its structure has become more complex, and the WSN mainly work on the complex conditions and harsh environments, the nodes of WSN have to bear the wind, sun, rain and many other negative factors, it is prone to failure, so the original design features can not be complete. Moreover, the enviromental conditions in the monitored region in which the nodes of WSN were deployed are similar, most likely the majority of nodes simultaneously fail, and resulting in paralysis of the entire network of WSN. Therefore, it is extremly necessary to monitor the working status of the nodes in WSN in the real-time, the timely and accurate fault diagnosis of nodes in WSN can effectively improve the WSN operation reliability and safety, and ensure that WSN complete the scheduled tasks.In this paper, firstly, studied the characteristics, types, levels of nodes’fault in WSN, and then researched the basis of individual characteristics of the Rough Sets theory and neural network algorithms in depth, study the possibility and the way of integrating the Rough Sets theory and Neural Network algorithms. Based on the characteristics of node in WSN, select the BP neural network to integrated with Rough Sets, because BP has the inherent defects as easy to fall into partial minimal and slow convergence, this paper proposed a new improved AMSABP algorithm, for the condition of the input attribute value of fault monitor system is contineous, this paper proposed the integrated RS-AMSABP fault diagnosis method. Firstly, this method get the most simple decision-making table of the fault diagnosis by the improved discriminate matrix, then established diagnosis rules by the table. Finally, constructed the AMSABP network model by the diagnosis rules, and trainning the network through the sample data. The expriment results of fault diagnosis of the node in WSN show that RS-AMSABP algrithom made the high diagnostic accurate to 99.74% and low calculateIIItime compared with other diagnosis method.Because WSN mainly work in the complex and bad enviroment, when the failure occurred in WSN, the input attribute value of fault monitor system is likely contineous, this paper proposed constructed the rough neuron by the two endpoints of the interval numbers of the input attribute of the fault monitor system, and applied rough decision-making analysis method constructed a decision information system of WSN fault diagnosis with the interval numbers, so the problem of the fault diagnosis of nodes in WSN with the interval numbers can be resolved by the the three-layers feed-forward rough neural network with the interval numbers. The simulation results show the diagnosis algrithom based on the Interval-Numbers Rough Neural Network improved the diagnostic accurate to 99.57% when the computing time was greatly reduced.This paper proposed a whole solution scheme for the fault diagnosi of nodes in WSN, effectively meet the actual needs which the developing of WSN technology and application. It has high practical value.Keywords: Wireless Sensor Networks, Rough Sets Theory, Neural Network, Fault DiagnosisIV目录第一章绪论 (1)1.1WSN概述 (1)1.1.1 WSN的系统架构 (3)1.1.2 WSN节点的基本结构 (3)1.2论文的研究意义 (4)1.3WSN节点的故障诊断 (5)1.3.1 WSN的故障划分 (5)1.3.2 WSN的故障诊断特点 (6)1.3.3 WSN节点的传感模块故障 (7)1.3.4 WSN的节点故障的诊断方法 (8)1.4论文的结构 (9)1.5论文的主要创新点 (10)第二章 ROUGH SETS理论与神经网络算法的集成研究 (11)2.1R OUGH S ETS 与神经网络集成的可能性分析 (11)2.2R OUGH S ETS 与神经网络的集成方式研究 (13)2.2.1 Rough Sets理论和神经网络算法的松耦合 (13)2.2.2 粗糙元神经网络 (13)2.2.3 Rough Sets和神经网络算法的强耦合 (14)2.2.4 其它集成方法 (15)2.3本章小节 (16)第三章基于ROUGH SETS理论的决策表属性约简算法 (17)3.1R OUGH S ETS的知识约简 (17)3.1.1 Rough Sets的约简与核 (17)3.1.2 相对约简 (18)3.2决策表的概述 (20)3.3基于R OUGH S ETS的决策表属性约简算法 (23)3.3.1 决策表的删除属性约简算法 (23)V3.3.2 基于差别矩阵的决策表属性约简算法 (24)3.3.3改进的差别矩阵属性约简算法 (27)3.4本章小节 (29)第四章 RS-AMSABP故障诊断算法 (30)4.1新的改进的BP算法-AMSABP算法 (30)4.1.1 AMSABP算法 (30)4.1.2 基于AMSABP算法的函数逼近实验 (32)4.1.4 基于AMSABP网络算法的WSN节点故障诊断实验 (37)4.2RS-AMSABP算法的提出 (42)4.3基于RS-AMSABP算法的WSN节点故障诊断 (42)4.4本章小节 (47)第五章 INRNN故障诊断算法 (48)5.1含有区间数的粗糙元神经网络 (48)5.1.1 INRNN网络模型 (48)5.1.2 INRNN网络的学习算法 (49)5.2基于INRNN算法的WSN节点故障诊断 (51)5.2.1 WSN节点故障模型的建立与仿真 (51)5.2.2 基于RS-INRNN算法的WSN节点故障诊断实验 (55)5.3本章小节 (59)第六章结论与展望 (60)致谢 (61)参考文献 (62)攻读硕士期间的研究成果 (67)VI第一章绪论第一章绪论1.1 WSN概述二十一世纪是信息时代，人类对信息的需求日益增长，当然也就对信息采集系统的自动化程度以及环境适应性的要求越来越高。
基于粗糙集-神经网络的变压器故障诊断方法
在 保 留关 键 信 息 的条 件 下 对数 据 进 行 约 简 ，去 除 冗 余 属性 和 冗 余 样本 ，压 缩信 息 空 间维 数 ，精 简 知 识 系统 ｐ。因此将神 经 网络方法 和粗 糙集方 法相 Ｊ
融 合 ，用 粗 糙 集方 法 约 简信 息 表达 空 间 ，去掉 冗
导 出 差别 函数 ， 然后 求 解差 别 函数 的析 取 范式 ，
传统 的硬 计 算 方 法 ，是 使 用 精确 、固 定 和不
变 的 算法 来 表 达 和解 决 问 题 。粗 糙 集理 论 是 一种 处 理含 糊 性 、不精 确 和 不确 定 性 问 题 的新 型软 计 算数 学 工 具 ，它能 有 效地 分 析 不 精确 、不 一致 和 不 完整 等 各种 不完 备 的信 息 ，并从 中发 现 隐含 的 知识 ，揭示 潜 在 的规 律 。粗糙 集 理论 作 为一 种
差 别矩 阵 的 主 要 思想 是 ：首 先利 用 差 别矩 阵
将 输 入 信 息 空 间维 数 简化 ，因 而 当输 入 信息 空 间 维数 较 大 时 ，训 练 时 问太 长 。粗 糙 集 理论 是 一 种 新 的处 理 不确 定 知 识 的数 学 工具 ，它 不 需要 先 验
知 识 ，仅从 实 际 数据 中得 出系统 的 内 在规 律 ，能
性 约 简 算 法可 以得 到决 策 表 的 所有 可 能 的 属性 约 简结 果 ，它实 际 上 是将 对 属 性组 合 情 况 的搜 索变 成 逻 辑 公式 的 化 简 ，从 而 简 化 问题 。但是 ，这种
计 算 过程 比较 繁 琐 。不 难 发现 ，如 果矩 阵 集 理 论 与 神 经 网 络 集 成 的 故 障 诊 断 实 施 方 案 中 计 算 繁 琐 、容 易 出现 错
基于粗糙集人工神经网络的锅炉故障诊断模型
基于粗糙集与神经网络的故障诊断研究
粗 糙 集理 论 最 早是 由波 兰 科 学 家 ｚ ． Ｐ ａ ｗｌ ａ ｋ 在ｌ ９ ８ ２ 年提出， 起 初 被作 为数 据 分 析处 理 理 论 ， １ ９ ９ ５ 年 ＡＣ Ｍ将 其 列 为新 兴 的 计 算机 科 学研 究 课题 …。 粗糙 集 理 论 作 为一 种 处理 不 精确 、 不一致、 不 完整 信息的有效工具 ， 鉴 于其 与 处 理 其 它 模 糊 问题 的理 论 的 互 补性 与 易用 性 ， 被 广 泛应 用于 机 械 系统 故障 诊断 、 状态预测与控制、 机 器 学习和数据挖掘 、 临 床 医疗 诊 断 、 图像 数 据 处 理 等 领 域 。 １ 。 神 经 网络 法 作 为 一 种 常 见 的 多层 结 构 的 前 馈 网络 由输 入 层 、 隐藏 层 和输 出层 三 部 分组 成 。 处 于 同一 层得 节点 之 间 无 法 联 系 ， 节 点只 能 通 过 一 层 前 向连 接 。 输 入 信 号 由输 入 层 节 点 向前 传 播 到 隐 藏层 ， 经 函数 变 换 后 传 播 到 输 出层 节 点 ， 最 终 输 出信 号 。 基 于 神 经 网络 系统 良好 的 可 学 习性 和 并 行 计 算 能力 ， 其 被 广 泛 地 运 用 于 机 械 系统 智 能 故障 诊 断 领 域 。 发 动机 作 为 汽 车 的 动 力 装 置 ， 关 系到汽 车 的 动 力 性 、 环保 性 与 经济 性 。 发动 机 将 汽 油 、 柴 油 或 天 然 气 与空 气以 一定 的 比 例混 合 ， 混合 气体 在汽 缸 内 经压 缩 点 火 燃 烧 ， 产生 热 能 推 动 活 塞 作往 复 运 动， 再通过连杆 、 曲轴 飞 轮 机 构 输 出机 械能 。 发 动 机过 热 是 发动 机 常见 故 障 之 一 。 部 分 配 件 因 温 度过 高 易 产生 热 变 形 ， 配合 间 隙 因热 膨胀 而 改 变 易 产生 噪 声 ， 油 耗 也 呈 现 出递 增 趋势 ， 发 动机 长 期 过 热 运行 会影 响 其使 用 寿命 ， 严 重 时 甚至 危 及车 上 人 员的 生 命及 财 产 安全 。 因此 ， 及 时 有 效 地 对 发 动 机 过 热 故 障 进行 研 究 ， 对 发 动机 技 术
粗糙集与神经网络在发动机故障诊断中的融合应用
故障诊断 问题实际上是一个模式识别的问题．
电喷 发动 机是 一个 复 杂 的 动态 系统 ， 以表 达其 运 用
信息表的列表示属性 ， 行表示对象 ， 如事件或实例 ．
１２ 不 可分 辨关 系与 近 似
＝
提出的一种新 的处理模糊和不确定知识 的数学工
具， 其主要思想就是在保持分类能力不变的前提下 ，
通过知识约简 ， 出问题的决策或分类规则 ． 导 目前 ， 该理论已成 功应用 于机器学习 、 策分析、 程控 决 过 制、 模式识别与数据挖掘等领域 ． １１ 信息表 达 ．
信息的表达在智能数据处理 中占有 十分重要的 地位 ． 信息表达系统的基本成分是研究对象的集合 ，
文献标识码 ： Ｂ 文章编号 ：０ １ １Ｘ【０６ Ｏ－１ ０ １０． ６ ２Ｉ ）６０３ ５ ７ Ｄ 中图分类号 ：Ｋ １ Ｔ４８
１ 粗糙集理论简介
粗糙 集理 论是 波 兰数 学 家 Ｚ ｐａｌ ．ｌ ａ ｗ ｋ于 １８ ９２年
定义 ２对于信息系统 Ｓ＝（ ， ）若 Ｐ［ Ａ， ： ＵＡ ， 且 Ｐ ≠ ≠ 则 Ｐ中全 部等价 关 系的交 集称 为 Ｐ上 的 ，
维普资讯
第 ６期
傅晓林 ， ： 等 粗糙集与神 经网络在发动机故障诊断中的融合应用
１１ ３
数字量有 ： 转速 ， 喷油脉宽 ． 故障类 别为 ： 正常 ； １ ～ ２ 水温高 ； 空气流量计损坏 ；＿ 喷油器故障 ； － ３ 一 ４
５ 点火故障． 一 信息表如表 １ 所示 ．
维普资讯
第２ 卷 ５
第６ 期
基于人工神经网络模型电站燃煤锅炉结渣预测方法评价
基于人工神经网络模型的电站燃煤锅炉结渣预测方法评价摘要：文章以神经网络模型实现预测煤灰结渣情况为手段，通过研究煤灰成分与结渣情况之间的关系来揭示煤的结渣情况，分别采用bp神经网络模型与rbf神经网络模型，同时把两个模型得到的结果进行对比和分析，并通过改变隐藏节点数对收集的现场数据进行训练，对产生的误差进行了分析。
最终可以通过两种神经网络模型的诊断结果来调节锅炉的运行状态，减轻锅炉结渣，延长锅炉正常运行时间。
关键词：煤灰结渣；bp神经网络；rbf神经网络1前言结渣是在锅炉内烟气侧受热面出现的严重影响锅炉正常运行的故障现象，其主要由烟气中夹带的熔化或部分熔化的颗粒碰撞在炉墙，水冷壁或管子上被冷却凝固而形成。
结渣主要以粘稠或熔融的沉淀物形式出现在辐射受热面上，如水冷壁、水排管、防渣管、过热器管排等[1]。
本文为了有效地克服单一指标分类界限过于明显的问题。
采用现研究领域比较广泛采用多指标综合评价方法，利用模糊数学对结渣进行评判，从而可以更好的解决单一指标所造成的分界过于明显和准确率偏低的缺陷[2]~ [3]。
2影响煤灰结渣特性的因素分析灰分是由金属氧化物和非金属氧化物及其盐类组成的复杂物质，以sio2和al2o3为主，主要有fe2o3、cao、mgo、tio2、so3、na2o和k2o等。
可将灰中各氧化物分成两类：一类为酸性氧化物，即sio2、al2o3；另一类为碱性氧化物，即fe2o3、cao、mgo等。
对于灰的结渣性能来说，灰的熔融特性是应特别予以关注的，煤灰没有固定的熔化温度，仅有一个熔化范围。
在锅炉设计中，大多采用软化温度st作为灰的熔点。
根据灰熔点的高低，把煤灰分成易熔、中等熔融、难熔、极难熔。
而灰黏度是表征高温熔融状态下灰的流动特性，通常根据牛顿摩擦定律，采用黏度计测定[4]。
3多指标神经网络模型的建立3.1四种指标综合对比分析(1)硅比gg=sio2×100/(sio2＋cao＋mgo＋当量fe2o3)%(2–1)式中，当量fe2o3＝fe2o3＋1.11feo＋1.43fe。
基于粗糙集和神经网络相结合的故障诊断模型研究的开题报告
基于粗糙集和神经网络相结合的故障诊断模型研究
的开题报告
一、研究背景
在现代工业领域中，设备故障的发生是无法避免的，而快速准确地
诊断故障是维持生产稳定性及保证生产效率的必要条件。
因此，构建一
种高效可靠的故障诊断模型成为工业界研究的热点。
基于粗糙集理论的故障诊断模型以其具有可解释性、适用性强等优
点在工业领域中得到了广泛应用。
但是，传统的基于粗糙集的故障诊断
模型在特征处理上存在缺陷，难以充分挖掘故障数据中潜在的特征信息，使得诊断精度难以得到保障。
因此，结合神经网络的特征处理方法可以
弥补基于粗糙集的故障诊断模型的不足，并且还具有较高的诊断准确率。
二、研究内容
本文旨在基于粗糙集和神经网络相结合的方法，构建一种高效可靠
的故障诊断模型。
具体研究内容如下：
1. 收集故障监测数据，并对数据进行预处理，如数据清洗、归一化等。
2. 利用基于粗糙集理论的方法对故障数据进行特征处理和降维，从
而提取出故障数据中的关键特征。
3. 结合神经网络的方法，对处理过的故障数据进行分类诊断。
4. 对模型进行实验验证，并与传统基于粗糙集的故障诊断模型进行
比较分析。
三、研究意义
本文研究成果具有重要的实际应用意义，具体体现如下：
1. 提出一种更具有实用价值的故障诊断模型，可以提高故障诊断的准确性和可靠性。
2. 探究基于粗糙集和神经网络相结合的故障诊断模型的特征提取和分类能力，对未来的工业故障诊断研究提供参考。
3. 应用本文研究结果对提高工业生产效率和减少经济损失具有重要的实际应用价值。
基于人工智能技术的火电厂锅炉运行故障诊断方法
基于人工智能技术的火电厂锅炉运行故障诊断方法发布时间：2023-02-15T08:58:22.291Z 来源：《当代电力文化》2022年19期作者：王宏光[导读] 当前，电厂锅炉运行中存在的问题主要包括水质王宏光通辽霍林河坑口发电有限责任公司内蒙古霍林郭勒市 029200摘要：当前，电厂锅炉运行中存在的问题主要包括水质、燃料和控制水平等方面，为了进一步完善管理措施，需要加强对电厂锅炉运行过程中系统的管理，完善故障诊断方法，有效节约能源，实现节能环保的可持续发展目标，促进生产效率的提升。
基于此，本文主要分析了基于人工智能技术的火电厂锅炉运行故障诊断方法。
关键词:人工智能技术；火电厂；锅炉运行；故障诊断引言在我国工业经济发展过程中，锅炉具有重要作用。
但是在锅炉制作和运行过程中，由于诸多因素的影响，会导致锅炉出现故障问题，因此为了使锅炉运行安全性进一步提高，应采取科学的故障诊断方法对锅炉进行检验，及时发现锅炉中的问题，对其原因进行分析，并以此为基础，采取相应的措施进行处理。
1人工智能概念人工智能学术正式诞生于1956年在达特茅斯召开的人工智能研讨会，约翰·麦卡锡提出：人工智能就是要让机器的行为像人所表现的智能行为一样。
随着人工智能技术的不断发展，其定义内涵也逐渐丰富充实，学者们将其界定为一门学科、一种科学工程、一种技术能力等。
尽管理解各有所异，但人工智能的定义可以被归纳为类人思考、类人行为、理性思考和理性行为四大类，因此其可以被认为是利用计算机或计算机所控制的机器以模拟、延伸和扩展人的智能，进而感知环境、获取且利用知识的理论、方法、技术和应用系统[1]。
2基于人工智能技术的火电厂锅炉运行故障诊断方法2.1故障自动检测流程锅炉故障自动检测流程主要分为两个部分:第一部分包括锅炉数据的采集、归一化处理与特征提取。
数据采集是经过数据清洗来提升数据质量;归一化处理为了降低数据间因数据的量级、分布情况对数据特征提取所造成的影响;数据特征提取为了更加有效表述锅炉的特征与属性;第二部分是利用距离度量方式来判定故障数据，使故障检测结果更加精准，达到自动检测目的。
融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法
融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法李永德;李红伟;张炳成;杨洁;刘灏颖;张娇【期刊名称】《电力系统保护与控制》【年(卷),期】2014(000)008【摘要】针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题，提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。
结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简，减少冗余信息。
将粗糙集与神经网络有机结合，用优化了的神经网络诊断燃气轮发电机组振动故障。
试验结果表明了所述方法的有效性，为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。
%In view of the problem that fault diagnosis for gas turbine vibration generator set parameters is difficult to reflect the state of unit fault directly, a fusion of rough set and neural network for gas turbine generator set vibration fault diagnosis is presented. Rough sets theory is applied in reduction of the original features of the vibration signal characteristic value data to remove unnecessary attributes. An optimized neural network structure which is used to fault diagnosis of gas turbine generator set is established based on rough sets. The experimental results show that the method is effective and provides a new idea for gas turbine generator set vibration fault diagnosis.【总页数】5页(P90-94)【作者】李永德;李红伟;张炳成;杨洁;刘灏颖;张娇【作者单位】西南石油大学电气信息学院，四川成都 610500;西南石油大学电气信息学院，四川成都 610500;新疆油田公司百口泉采油厂，新疆克拉玛依834000;西南石油大学电气信息学院，四川成都 610500;西南石油大学电气信息学院，四川成都 610500;西南石油大学电气信息学院，四川成都 610500【正文语种】中文【中图分类】TP181;TM311【相关文献】1.水电机组振动故障的粗糙集-神经网络诊断方法 [J], 梁武科;赵道利;王荣荣;马薇;罗兴锜2.基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断 [J], 谢玲玲;雷景生;徐菲菲3.粗糙集-神经网络与证据理论融合推理的综合故障诊断方法研究 [J], 杨广;吴晓平;辛登松;李庆4.基于粗糙集和神经网络的内燃机转子振动故障诊断方法研究 [J], 陈金杰5.基于粗糙集和神经网络的柴油机转子振动故障模式识别 [J], 桑亮;李冬;孙涛;李连涛;;;;因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
－2333－0引言近年来，一些智能化的锅炉状态监视和故障诊断技术得到了发展和应用。
由于神经网络强大的模式分类能力以及并行处理、高度容错和泛化能力强的特点，在锅炉的故障诊断领域得到了广泛的应用。
锅炉是一个非常复杂的非线性对象，运行中产生地数据信息非常庞大。
使用神经网络进行故障诊断的时候，网络规模较大，样本较多时，训练时间过于漫长，这个固有的缺点制约着神经网络在这一领域进一步实用化[1]。
虽然各种提高训练地算法不断出现，问题依然没有得到解决，化简训练样本集，消除冗余数据是另一条提高训练速度的途径[2]。
本文提出了一种RS (rough sets )理论和ANN (artificial neural network )融合的锅炉故障诊断方法，应用粗糙集理论对神经网络的输入数据进行预处理，消除冗余信息，提取关键成分，以达到减少输入神经元节点，简化网络结构的目的，这样可以缩短网络训练时间，提高故障识别精度[3]。
1诊断系统模型1.1基本思想由于RS 理论只能处理量化数据，因此，需要先将连续条件属性进行量化，再用RS 理论对量化后的属性进行优化组合，最后用量化参数作为训练样本进行神经网络的训练[7]。
建立的诊断系统结构如图1所示，其中包含2个基本部分：粗糙集和神经网络诊断子系统。
1.2粗糙集的数据预处理(1)数据离散化：由于粗糙集只能处理离散属性值，而原始故障诊断系统的属性值是连续的。
因此必须对原始决策系收稿日期：2007-05-02E-mail ：roffee2001@作者简介：饶斐(1984－)，男，江西黎川人，硕士研究生，研究方向为智能控制理论、计算机管控一体化；张广明(1965－)，男，江苏江都人，副教授，研究方向为智能控制理论、特种设备故障诊断技术；费宏举(1984－)，男，江苏盐城人，硕士研究生，研究方向为楼宇自动化；张柳(1984－)，女，河南南阳人，硕士研究生，研究方向为智能控制算法应用。
基于粗糙集人工神经网络的锅炉故障诊断模型饶斐，张广明，费宏举，张柳(南京工业大学自动化学院，江苏南京210009)摘要：针对锅炉这种大型特种设备，提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法。
该方法先利用RS 理论建立故障决策表，对原始数据进行约简，并按照一定的原则选取多个约简；然后建立神经网络故障诊断子系统，使用粗糙集处理后的数据计算出故障发生程度。
研究结果表明：该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度。
关键词：粗糙集;人工神经网络;锅炉;故障诊断;约简中图法分类号：TP277文献标识码：A文章编号：1000-7024(2008)09-2333-03Fault diagnosis model of boiler based on RS and ANNRAO Fei,ZHANG Guang-ming,FEI Hong-ju,ZHANG Liu(College of Automation,Nanjing University of Technology,Nanjing 210009,China )Abstract ：It is proposed a intelligent fault diagnosis method based on rough set and artificial neural network for boiler.First,this method build a decision table for fault diagnosis to reduce raw data based on rough set,and choose multiple reduces by some rules.Then,neural network are added into the system to construct several subsystem,which take the data pretreated by rough set as inputs and compute the degrees of the fault.The test results show that the method can quantitatively diagnose the faults of every parts of boiler.Key words ：rough sets;ANN;boiler;fault diagnosis;rule acquisition2008年5月计算机工程与设计May 2008第29卷第9期Vol.29No.9Computer Engineering and Design图1故障诊断系统结构分析结果输出神经网络系统最小条件属性集和相应学习样本集决策表约简组织决策表条件属性值量化学习样本集测试样本集相应与最小条件属性集的测试样本集－2334－统中的数据进行离散化处理。
目前对连续量离散化的方法很多，本文采用自组织映射神经网络(SOM )方法。
这是一种无监督自组织竞争学习型前馈神经网络，能通过自组织方式利用大量的训练样本数据来调整网络的权值，分类结果能较为客观地反映数据的实际分布情况。
具体步骤为：①给定SOM网络初始权值=1；③将第维的条件属性值进行分类；⑤把相邻两类边界属性值的均值作为二类地分界值；⑥把条件属性量化参数对该维条件属性进行量化；⑦赋值＋１，返回步骤③直到最后一维条件属性；⑧检查数据表是否相容，若相容，停止，否则令＋１，返回步骤②。
(2)决策表的形成和知识属性的约简：RS 理论中的知识表示方法是采用决策表的形式。
由离散化后的数据组成决策表，包括条件属性(离散化后的参数)和决策属性(参数所对应的故障种类)。
基于RS 理论的知识约简方法分为两个步骤，一是从决策表删除一些列；二是删除冗余的行；三是删除属性多余的值[4]。
前两步是对决策表进行整体约简，第3步是对每一决策规则(每一行)进行进一步约简，使得在一行中去掉某些属性值后仍能划分到原来的决策类中，这样便可得到多个约简结果。
属性的重要性，即各属性对决策属性的主要程度，可通过分类近似质量来衡量：能正确区分类决策属性2,…1,¸öÉñ¾-ÍøÂç×ÓϵͳÐèҪѵÁ·¡£Èô¸öÉñ¾-ÍøÂç×ÓϵͳµÄÊäÈ룬¹ÊÕϳ̶ȹ¹³ÉÁ˵ڸöÉñ¾-ÍøÂç×Óϵͳ¿ÉÒÔÃèÊöΪ[2]==1,2,…,2锅炉故障诊断实例下面将以火电厂锅炉的一种常见故障——烟道再燃烧为例，详细介绍该系统模型的构成，并验证所提出的方法的有效性。
2.1故障诊断模型建立火力发电厂高温、高压锅炉炉管的工作环境十分恶劣，其管壁金属运行温度和应力在运行过程中逐渐升高，高温再热器发生泄漏及爆管的故障非常明显，是导致锅炉强制停运的最主要原因之一。
通过研究，高温再热器破裂发生时，相应的信号列表会发生比较明显的变化，收集锅炉历史数据库里面的信号信息，可以构建征兆种类集1,£¬¹ÊÕÏÇé¿ö¼¯2,…，故障诊断模型[6]为1,ʽÖУº¡ª¡ªÊä³ö²ãÉñ¾-ÔªÊý¡£¼äµÄ·ÇÏßÐÔÓ³Éä¹Øϵ1再热蒸汽温度、3烟道内温度、5排烟温度。
该决策表里的决策属性是高温再热器是否破裂，再根据破裂程度分为：2一般再燃烧情况、个，决策表的判决精度不下降，则删除该属性；若去掉条件属性的第。
(3)根据粗糙集理论，计算新决策表的最小约简和核，得到该决策表的最小约简和核。
根据上述的约简过程，得到约简后的最优决策系统如表3所示。
建立RBF 神经网络，网络结构为3—4—3，输入层神经元数为3，分别对应着约简后的3个3个条件属性，隐含层神经元数为4，输出层神经元数为3，分别对应锅炉高温再热器的3表1训练样本数据NO.2410.23050.10150.72040.14160.1500230.25120.12310.51300.34150.0107250.09010.63270.23000.10210.1689170.15570.10090.69230.18260.1031190.16090.11520.52010.30270.26503110.04110.15470.51320.31320.15222130.11620.06890.79060.18110.18611150.02500.40600.47090.12830.02833种故障状态，训练完后用测试样本进行测试结果如表4所示，结果全部识别出来[10]。
为了检验粗糙集与神经网络融合的性能，设计一个RBF 神经网络，直接利用原始的测试数据样本进行故障诊断，网络结构为5—6—3，两套神经网络模型的基本参数如表5所示。
从表5可知，经过粗糙集进行数据预处理的神经网络(RS—ANN)样本数和训练步数都有较大的减少，训练时间也少得多，并且精度有所提高。
用测试样本对训练好的经过粗糙集进行数据预处理的神经网络进行测试，也全部识别正确。