基于粗糙集约简的飞机发电机故障诊断决策研究
粗糙集理论在故障诊断中的应用研究
ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｉ ｓ ｖ ｅ ｎ ｔ ｏ ｖ ｌｉ ａ ｄ ａ ｔ ｅ ｔ ｈｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ．Ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗ ｔ ｌ ｌ ａ ｔ ｗｈ ｅ ｎ ｔ ｈ ｅ ｆ ａ ｕ ｌ ｔ ｃ ｌ ｓｓ ａ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｉ ｓ ｉ ｎ ｖ ａ ｉａ ｒ ｂｌ ｅ ，ｔ ｈ ｅ ｍａ ｉ ｎ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗｈ ｉ ｃ ｈ ｉ ｓ ｍｏ ｒ ｅ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｔ ｏ ｔ ｈ ｅ ｆ ａ ｕ ｌ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｃ ａ ｎ ｂ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｄ ｔ ｈｒ ｏ ｕ ｇ ｈ ｔ ｈ ｉ ｓ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ ．Ｔ ｈｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｓ ｕ ｐｐ ｌ ｉ ｅ ｓ ａ ｂ ａ ｓ ｉ ｓ ｆ ｏ ｒ ｆ ｕ ｒ ｔ ｈｅ ｒ ｓ ｔ ｕｄ ｙ ｏ ｆ ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇ ｒ ｏ ｕ ｇ ｈ ｓ ｅ ｔ ｔ ｈ ｅ ｏ ｙ ｒ ｉ ｎ ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ｆ ａ ｕ ｌ ｔ ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ．
用【 】 １ 。
特殊而且重要 的知识 表达系统 ． 它指当满足某些 条件 时 ， 决策应 当如 何进行 ． 故障诊 断涉及到决策 问题 。 因此可 以用决 策表这一工具 来表
但是 。 无论是传统方式 ． 还是智能化手段 ， 通常 只有在 信息准确完 整的情 况下才会得到满意的结果 而实际过程中所获得的信息通常是 不准确的 ． 并且当设备发生故障时 ． 这些信号往往是冗余 的 ， 只需要少 量特征信号就可以表征出该设备的整体故障信息 。所 以 ． 将粗糙集理 论 引入到故障诊 断领域 中 ． 利用其对诊 断特征 的压缩 和约简 ， 去 除冗 余的信息 ， 从而可 以大大减少诊断的计算量 ， 提高诊断的效率 。 在２ ０ 世纪 ７ ０年代 ． 波 兰学者 Ｚ ． Ｐ ａ ｗ ｌ ａ ｋ 和一 些波兰科学 院 、 波兰 华沙大学的逻辑学家们一起从事关于信息系统逻辑特性 的研 究 ． 粗糙 集理论就是在这些研究 的基础上产生的 。１ ９ ８ ２年 ． Ｚ ． Ｐ ａ ｗ ｌ ａ ｋ发表 了经 典论文 Ｒ ｏ ｕ ｇ ｈ Ｓ ｅ ｔ ｓ ， 宣告了粗糙集理论的诞生［ Ｚ ３ １ 。 目前 ． 粗糙集 已成为 人工智能领域 中一个较新的学术热点 ． 在机器学习 ． 知识 获取 ． 决策分 析． 过程控制等许多领域得到 了广泛的应用 本文主要研究局域粗糙集理论 的属性约简故 障特 征提取方法 ． 并 将该 方法应用于齿轮的故障诊断 中， 得到对齿轮故 障模式识 别起主要 作用的特征
基于粗糙集理论的电力系统故障诊断研究
基于粗糙集理论的电力系统故障诊断研究引言：电力系统是现代社会不可或缺的重要基础设施之一，对于能源的供给和社会经济的发展起着至关重要的作用。
然而，电力系统中的故障问题是无法避免的。
故障会导致设备损坏、供电中断甚至火灾等重大事故，给人们的生活和工作带来巨大的不便和风险。
因此，及时准确地诊断和解决电力系统故障问题是工程技术人员亟待解决的难题。
一、电力系统故障的特点电力系统故障的特点是多样性和复杂性。
电力系统由众多的设备和元件组成，系统内的故障可能涉及到发电机、变压器、输电线路、配电设备等多个方面。
故障种类繁多，如欠电压、过电压、短路、接地故障等。
此外，故障产生的原因也多种多样，可能是设备老化、缺乏维护、操作不当等。
因此，要对电力系统中的故障进行准确的诊断，需要综合运用多种分析和判断方法。
二、粗糙集理论粗糙集理论是计算机科学和人工智能领域中的一种数学方法，能够处理不完全和不确定信息。
它通过表示和处理信息的粒度来描述和分析问题。
粗糙集理论采用数据的上近似和下近似来确定事物之间的关系和相似度，从而对事物进行判断、分类和归纳。
三、基于粗糙集理论的电力系统故障诊断方法基于粗糙集理论的电力系统故障诊断方法主要包括以下几个步骤：1. 数据采集与预处理：通过传感器和监测设备对电力系统运行数据进行采集，并进行数据预处理，包括数据去噪、归一化等操作。
2. 特征选择：从大量的数据中提取出与故障相关的特征，这些特征能够反映系统状态的变化和异常情况。
3. 粗糙集建模：根据选取的特征构建粗糙集模型，将系统状态和故障之间的关系用粗糙集的上近似和下近似表示。
4. 规则提取：通过对粗糙集模型进行分析，提取出系统状态和故障之间的规则，并根据规则建立故障诊断模型。
5. 故障识别和诊断：将待诊断的实际故障数据输入故障诊断模型，通过计算和匹配，判断和识别故障的发生和类型，并给出相应的诊断结果。
6. 故障修复：根据诊断结果采取相应的措施和方法进行故障修复和处理，包括更换设备、调整参数、重新配置等。
基于机器学习的航空发动机故障诊断技术研究
基于机器学习的航空发动机故障诊断技术研究随着航空发展速度的加快，对飞机安全性的要求也越来越高。
而航空发动机故障问题尤其重要。
发动机在一架飞机上的作用至关重要，而其在飞行中可能面临的种种危险情况需要得以直接解决和及时诊断。
因此，对于航空发动机故障诊断技术的研究和应用也越来越重要。
在航空领域，机器学习正成为未来技术的重要发展方向。
它可以自动学习飞机装置的数据，以对数据进行分类，预测和控制，以使机器适应不断变化的环境。
基于机器学习的航空发动机故障诊断技术研究，对能够实现飞机的完美运行提供了一种有前途的解决方案。
目前，随着计算能力、存储能力和算法的提高，这种技术正不断被发扬光大，其应用场景也越来越广泛。
1. 机器学习的基本原理在开始谈论基于机器学习的航空发动机故障诊断技术之前，我们有必要了解一下机器学习的基本原理。
机器学习的过程可以简单概括为“获得数据、分析数据、学习数据和改进数据”。
实现这一过程的机器学习算法有各种各样的类型，例如监督学习、非监督学习、半监督学习、深度学习和强化学习等。
而所谓数据，通常就是以数字和符号的形式呈现出来的。
与此对应的是一个基于统计学和数学的算法，用来分析数据，以预测未来的趋势和行为。
总体来说，基于机器学习的航空发动机故障诊断技术，仍是在“获得数据、分析数据、学习数据和改进数据”这一基本原理之上进行的。
2. 如何应用机器学习技术来诊断发动机故障对于基于机器学习的航空发动机故障诊断技术来说，获得数据并分析这些数据是最基本的一步。
在实际应用中，数据可从飞机航行记录中心 (ACARS)、发动机控制单元或其他设备中收集。
接着，可以使用各种算法和技术对收集到的数据进行学习和处理。
例如，可以对数据进行预处理、特征提取、过滤和降维等处理，或运用分类算法、回归算法、聚类算法等来预测和分类故障数据。
最终，基于机器学习的航空发动机故障诊断技术会输出最有可能的故障，并告诉工作人员该如何处理。
3. 优化算法，提高精度和实时性对于航空发动机故障诊断技术，其准确性和实时性是至关重要的。
基于机器学习的航空发动机故障诊断研究
基于机器学习的航空发动机故障诊断研究航空发动机是飞机运行中最重要的组成部分之一，其可靠性对飞行安全至关重要。
发动机故障的突发性和严重性使得对其诊断变得格外重要。
传统的故障诊断方法往往需要专家经验或大量数据分析，而基于机器学习的方法可以通过自动化的方式从海量数据中学习规律，为发动机故障诊断提供精准和高效的解决方案。
一、背景介绍航空发动机的故障诊断一直是一个挑战性的任务。
传统的故障诊断方法通常是基于规则和模型的，需要专家进行知识建模和故障树分析。
然而，这些方法对于不同型号的发动机、新型故障和故障模式的诊断能力有限，并且需要大量的专家知识和经验。
随着机器学习的发展，尤其是深度学习的兴起，基于机器学习的故障诊断方法逐渐成为研究热点。
二、机器学习在航空发动机故障诊断中的应用1. 数据预处理航空发动机的运行数据通常以时间序列的形式存在，包含大量的传感器数据和参数。
在应用机器学习之前，需要对数据进行预处理，包括数据清洗、降维、特征提取等。
数据预处理的目的是减少噪声和冗余信息，提高数据质量和特征表达能力。
2. 特征选择航空发动机的运行数据可能包含大量的特征，其中有些特征可能与故障无关或相互相关。
特征选择是为了筛选出与故障相关的特征，提高故障诊断的准确性和效率。
常见的特征选择方法包括统计分析、信息增益、相关性分析、L1正则化等。
3. 建模和训练在选择好特征后，可以使用各种机器学习算法进行建模和训练。
常见的机器学习算法包括决策树、支持向量机、逻辑回归、随机森林、神经网络等。
这些算法可以从数据中学习发动机的工作状态和故障模式，并建立相应的模型。
4. 故障诊断和预测通过训练好的模型，可以对新的发动机数据进行故障诊断和预测。
根据发动机的工作状态和参数变化，模型可以判断是否存在故障，并预测故障的类型和严重程度。
通过及时准确地诊断和预测，可以采取相应的维修和保养措施，降低故障造成的风险和损失。
三、基于机器学习的航空发动机故障诊断的优势和挑战1. 优势：（1）自动化：基于机器学习的方法可以自动从数据中学习规律，不需要人工干预，大大提高了诊断的效率和准确性。
基于不完备知识的飞机发动机故障诊断研究
Ｒｅ ｅ ｒ ｈ ｏ ｕ ｔ Ｄｉ ｇ ｏ ｉ ｏ ｒ ｅ ｇｎ ｓ ｄ ｏ ｓ ａ ｃ ｎ Ｆａ ｌ ａ ｎ ｓｓ ｆ Ａｅ ｏ ｎ ｉ ｅ Ｂａ ｅ ｎ
Ｉ ｏ ｐｌｔ Ｋ ｎ ｗｌｄｇ ｎｃ ｍ ｅ ｅ ｏ ｅ ｅ
ＬＵ ｎ － ｎ ． Ｕ Ｚｏ ｇ ｐｉ ｇａ Ｎｌ Ｇｕ －ｈｅ ｈ． ｏ ｃ ｎ ＹＵ Ｙｏ ｇ ｓ ｅ ｇｃ ｎ －ｈ ｎ （．ｏｌ ｅｏ ｉ ｒｑ ｃＭａａｅ ｎ：．ｏｌｇ ｅｏａ ｔａ ｃａ ｉ ａ ｌｇ ｆ Ａｒ ｒｆ ｎｇｍｅｔｂＣ ｌ ｅ ｏ Ａ ｒｎ ｉ ｌＭｅｈｎｃ Ｃ ｅ ｆ ｉ ｅ ｆ ｎ ｃ ｓ＆ Ａ ｉｎ ｓＥ ｇｎ ｅｉｇ ｖｏｉ ｎｉｅｒ ； ｃ ｎ
实现提 供 了保 障 实例 分 析 结 果验 证 了所 提 出方 法 的 有 效性 和 优 越 性 。
关键词 ： 飞机 发 动 机 ： 障诊 断 ； 故 粗糙 集 ； 识 约 简 知 中 图分 类 号 ： Ｐ ０ ． ； ２ ３２ Ｔ ３ １１ Ｖ ３ ． 文 献 标 识 码 ： Ａ 文章 编 号 ：０ １５ ０ （０ ６ ０ － ０ ６ ０ １ ０ ．０ ０ ２ ０ ）４ ０ １ ．４
ｔ ｃ ｎ ｌｇ ｏ ｉｃａ ｔ ｉ ｅ ｓ ｒ ｄ ｈ ｅ ｕ ｔ ｆ ｍ ｎ ｌｓｓ ｏ ｘ ｍｐ ｅ ｈ ｗｓ ｔ ａ ｈ ｓ ｍｅｈ ｄ ｉ ｅｆ ｃｉｅ ａ ｄ ｅ ｈ ｏｏ ｙ ｆ ｒ ａ ｒ ｒｆ ｓ ｎ ｕ ｅ ．Ｔ ｅ ｒ ｓ ｌ ｒ ｏ ａ ａｙ ｉ ｆ ｅ ａ ｌ ｓ ｓ ｏ ｈ ｔ ｔ ｉ ｔｏ ｓ ｆ ｔ ｎ ｅ ｖ
基于不完备知识的飞机发动机故 障诊断研究
吕宗 平 ， 国 臣 于 咏 生 ‘ 牛 ， ’
（ 国民航 大 学 ａ空 中交 通 管理 学 院 ｜ ． 电工 程 学 院 ；． 器人 研 究 所 ， 津 ３ ０ ０ 中 ． ｂ机 ｃ机 天 ０ ３ ０）
基于邻域粗糙集的航空发电机健康诊断方法
ｂ ｓ ｄ ｏ ＶＭ ｏ ｕ ｔ ｅ ａ ｒ ｉｇ ｏ ｔｈ ａ ｔ ｉｇ ｏ ｉ ｆａ ｒ — ｅ ｅａ ｏ ．Ｔｈ ｆｅ ｔｖ ｎ ｓ ｆ ａ ｅ ｎＳ ｆ ｒｆ ｒｈ ｒｃ ｒ ｙｎ ｕ ｅ ｌｈ ｄａ ｎ ｓｓｏ ｅ ｏ ｇ ｎ ｒ ｔ ｒ ｅｅ ｆｃｉｅ ｅ ｓｏ
Ｒａ ｄ ｔ ｒ ｂ ａ ｎ ｄ ｆｏ ａ ｓ ｅ ｉｉ ｅ ｏ ｇ ｎ ｒ ｔ ｒ ｔ ｓ ｌ ｔｏ ｍ ． Ａｎ ａ ｐ ｏ ｃ ｆａ ｔ ｉ ｕ ｅ ｗ ａ ａ ａ ｅ ｏ ｔ ｉ ｅ ｒ ｍ ｐ ｃｆ ａ ｒ — ｅ ｅ ａ ｏ ｅ ｔｐ ａ ｆ ｒ ｃ ｐ ｒ ａ ｈ ｏ ｔｒｂ ｔ ｒ ｄ ｃ ｉ ｎ ｕ ｉ ｇ ｎ ｉ ｈ ｏ ｈ ｏ ｏ ｇ ｅ ｓ ｔ ｅ ｒ ｓｏ ｔｉ ｅ ｎ ｉｇ ｏ ｉ ｌ ｓ ｉ ｅ ｓｄ ｓｇ ｅ ｅ ｕ ｔｏ ｓｎ ｅ ｇ ｂ ｒ ｏ ｄ ｒ ｕ ｈ ｓ ｔ ｈ ｏ ｙ ｉ ｕ ｌ ｄ ａ ｄ ａ ｄ ａ ｎ ｓｓｃ ａ ｓ ｆ ｒｉ ｅ ｉ ｎ ｄ ｎ ｉ
关键 词 ； 域 粗 糙 集 ｝ 性 约 简 ； 持 向 量 机 ； 空发 电 机 ｝ 康 诊 断 邻 属 支 航 健
中 图 分 类 号 ； Ｐ ０ Ｔ ２６ 文献标识码 ： Ａ
Ｈ ｅ ｌ ｈ Ｄｉ ｇ ｓｓ ｏ ｒ － ｎｅ ａ ｏ ｓ ｄ ｏｎ ａ ｔ ａ ｎｏ ｉ ｆ Ａｅ ｏ Ｇｅ ｒ ｔ ｒ Ｂａ ｅ
ｉ ｐ ｅ ｅ ｔｄ ｂ ｓ ｄ ｏ ｅｇ ｂ ｒ ｏ ｄ ｒ ｕ ｈ ｓ ｔ ｈ ｏ ｙ ａ ｄ ｓ ｐ ｏ ｔ ｖ ｃｏ ｃ ｉ ｅ （ ＶＭ ） ｓ ｒ ｓ ｎ ｅ ａ ｅ ｎ ｎ ｉｈ ｏ ｈ ｏ ｏ ｇ ｅ ｓ ｔ ｅ ｒ ｎ ｕ ｐ ｒ ｅ ｔ ｒ ｍａ ｈｎ Ｓ ．
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｈｅ ｌ ｉｇ ｏ ｉ ｆａ ｅ ｏ ｇ ｎ ｒ ｔ ｒ ｉ ｍ ｐ ｒａ ｔ ｔ ｌ ｈ ａ ｅ ｙ ａ ｔ ｄ ａ ｎ ｓｓ ｏ ｎ ａ ｒ — ｅ ｅ ａ ｏ ｓ ｉ ｏ ｔ ｎ ｏ ｆｉ ｔ ｓ ｆ ｔ ．Ｏｎ ｆｒ ｑ ｉｅ ｈ ｇ ｅｏ ｅ ｕ ｒ — ｍｅ ｔ ｓ ａ ａ ｌ ｂ ｌ ｙ ｏ ｘ ｒ ｃ ｉ ｇ ｕ ｅ ｕ ｆ ｒ ｔｏ ｒ ｍ ａ ｄ ｔ ．Ａ ｅ ｌｈ ｄ ａ ｎ ｓ ｓｍ ｅ ｈ ｄ ｎ ｓ ｉ ｖ ｉ ｉ ｔ ｆ ｔ ａ ｔｎ ｓ ｆ ｌｉ ｏ ｍａ ｉ ｎ ｆ ｏ ｒ ｗ ａ ａ ａ ｉ ｅ ｎ ｈ ａｔ ｉｇ ｏ ｉ ｔｏ
基于粗糙集的故障诊断技术研究
信 息 通 信
Ｉ ￣ Ｒ ＡＴＩ ＮＦ Ｉ Ｍ ＯＮ ＆ ＣＯＭ Ｍ ＵＮ Ｉ ＣＡＴ ＯＮＳ Ｉ
２ １ ０２
（ 总第 １９ 期） １
（ｕ Ｓ ｍ Ｎ １ ９ ｏ １）
基于粗糙集 的故障诊 断技术研 究
郑 波
（ 中国民航 飞行学院， 四川 广汉 ６ ８ ０ ） １３ ７
从 而 导 出 问题 的 决 策规 则ｎ 。
根据基于差别矩阵的属性约简算法 ， 计算 出差别矩 阵：
． ． 一
ｂｄ ｅ ｂｔ ａ
ａ ｅ ｂ ａ ｂ
一
－ — 一
●
．
一
． ．
一
． ．
４ｃ
一
．
．
一
ａ ｂ
． ．
１基 于粗 糙集 理论 的建模 过 程
建立基于粗糙集的决策分析模型需要 以下过程 ：
（ Ｂ （ ｃ） ｄ）
３６ ．５ ３ ．ｏ ５０ Ｏ
其 中每个合取子式对应一条规则 。表 ４为得 出的规则集和 规
则参数 表， 其中 Ｓ Ｐ Ｏ Ｔ表征了规 则在整个数据 中适用的对 ＵＰＲ 象数 ， Ｃ Ｒ Ｙ表 征了规则 的精度 ， Ｏ Ｒ Ｅ表征 了 ＡＣ Ｕ ＡＣ Ｃ ＶＥ ＡＧ 规则的适用度 。 表 ４规则集和规则参数表
Ｏ ２
（ Ｃ）
２
（ ）
１ Ｏ
ｃ０一ｙ０ （） （ ） ｃ 卜＋（） （ ｙｏ ２
６ ｌ
１ １
Ｏ ５ ００３ ． ８
ｂ１ （ — ｙ１ （ １ ＋（） ）
ｕ ｌ ２） １（ Ｏ ０ ０ １ ０
７
２
１
一种基于粗糙集理论的最优故障诊断规则获取方法
Ｓｅ４恢复 Ｔ’ ｔ ｐ 中全部条件属性值都被标 为“ ” ？ 的原值 。 Ｓｅ５恢 复 Ｔ’ ｔｐ 条件属性为“ ” ” ？ 的原值 。 ？ 或“ 中“ ” Ｓｅ６逐条检查所有包含符号“ ” ｔ ｐ ？ 的记录如果仅 由未被标 记 的属性 值 即可得 出不发 生 冲突 的决策 则将 符 号 “ ” 为 ？改
“ ” ，
否则将“ ” ？ 改为原来的属性值。
Ｓｅ７首先删 除重复记 录， ｔ ｐ 再假设新 的信 息系统存在某两
条记录之间部分条件属性 相同 ， 而对于不相等 的属性 ， 在一条 记录中表示 为具体的值 、 在另一条记 录 中被标 为“ ” 。针对
ｌ 基 于信息 标记 的 改进属 性值 约 简算 法
摘 要 ： 了获取最优故 障诊 断规则 ， 出一种基于信息标记 的改进属 性值 约简 算法， 为 给 以及针对规则的冗余、 矛盾、 从属等方面 的规 则检 测方法 ， 并应用 于某 型航空电子设备故障诊断 中进行最优诊断规则获取 ， 结果表明诊 断有效 。 关键 词 ： 粗糙集理论 ；故障诊断 ；规则 提取方法 ；航电设备 中图分 类号 ： Ｐ ８ ， ２ Ｔ １１ Ｖ ４ 文献标志码 ： Ｂ
Ｏｎ ｐ ｉ ａ ａ ｌ ｄ ａ ｎ ｓｓｒ ｌ ｂ ａｎ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ ｏ ｇ ｅ ｓｔ ｅ ｒ ｅｏ ｔ ｍ ｌｆ ｕ ｔ ｉ ｇ ｏ ｉ ｕ ｅ ｏ ｔ ｉ ｔ ｏ ａ ｅ ｎ ｒ ｕ ｈ ｓ ｔ ｈ ｏ ｙ
基于机器学习的航空发动机故障预测与诊断技术研究
基于机器学习的航空发动机故障预测与诊断技术研究引言：航空发动机是飞机正常运行不可或缺的组件之一，其工作状态的稳定性和可靠性直接关系到航班的安全性和运行效率。
随着航空行业的发展，对航空发动机的故障预测与诊断技术提出了更高的要求。
传统的基于经验和规则的方法已经难以满足日益复杂的工作环境。
因此，基于机器学习的技术成为了航空发动机故障预测与诊断领域的研究热点。
一、航空发动机故障预测的重要性航空发动机故障的突然发生会给飞机的正常运行带来巨大的安全隐患。
传统的定期检查和维修无法满足对于故障的及时预测和处理需求，因此，发动机故障预测与诊断技术的研究变得尤为关键。
通过及时预测和诊断发动机故障，可以有效地减少航班延误，提升飞机的安全性和可靠性，降低维修成本和工作量。
二、机器学习在航空发动机故障预测中的应用机器学习技术通过对大量发动机故障数据的学习和分析，能够准确判断发动机的工作状态并预测潜在的故障。
常用的机器学习算法包括支持向量机(Support Vector Machine，SVM)、神经网络(Neural Network)、随机森林(Random Forest)等。
1. 支持向量机（SVM）支持向量机是一种用于分类和回归分析的机器学习算法。
在航空发动机故障预测中，可以利用SVM对发动机的运行数据进行分类，判断当前工作状态是否正常，以此预测潜在的故障。
通过在训练阶段使用大量已知的故障样本，并基于这些样本进行分类模型的训练，SVM可以实现对新数据的故障预测。
2. 神经网络神经网络是一种模仿人脑神经系统行为的计算模型。
在航空发动机故障预测中，可以通过建立多层前馈神经网络对大量发动机数据进行训练，并利用已有的经验知识对新数据进行预测。
这种方法可以通过对大量数据进行学习，发现其中潜在的规律，并预测潜在的故障。
3. 随机森林随机森林是一种基于决策树的集成机器学习算法。
在航空发动机故障预测中，可以利用随机森林算法对大量发动机运行数据进行学习和分类，以此预测潜在的故障。
基于机器学习的航空发动机故障诊断预测算法研究
基于机器学习的航空发动机故障诊断预测算法研究航空发动机故障是飞行安全的重要因素之一，发动机的故障诊断与预测对于航空公司和乘客的安全和经济效益具有重要意义。
随着机器学习技术的不断发展和突破，基于机器学习的航空发动机故障诊断预测算法成为研究的热点之一。
航空发动机故障诊断预测的目标是通过监测和分析发动机的性能参数，准确预测发动机的故障，并尽早采取修复措施，避免事故的发生。
机器学习算法可以通过分析发动机的历史数据和测试数据，构建预测模型，并利用该模型对未知数据进行预测，辅助工程师进行故障维修和维护。
基于机器学习的航空发动机故障诊断预测算法的研究首先需要获取大量的发动机运行数据。
这些数据包括发动机的传感器数据、运行工况、发动机参数等。
在获取到数据后，需要对数据进行预处理和特征提取。
预处理包括数据清洗、异常值检测、数据平滑等步骤，特征提取则是将原始数据转换为易于建模的特征。
常用的特征提取方法包括统计特征、频域特征和时域特征等。
在特征提取之后，需要选择合适的机器学习算法进行训练和预测。
常用的算法包括支持向量机、决策树、随机森林、神经网络等。
这些算法可以根据输入的特征，学习特征与发动机故障之间的关系，并将学习到的知识应用于未知数据的预测。
此外，为了提高算法的准确性和泛化能力，可以采用特征选择、交叉验证、模型融合等技术手段进行优化。
在算法的研究过程中，需要建立正确的评价指标来评估算法的性能。
常用的评价指标包括准确性、召回率、精确率、F1值等。
这些指标可以从不同的角度反映算法的分类效果和预测准确性。
另外，基于机器学习的航空发动机故障诊断预测算法在实际应用中还面临一些挑战。
首先是数据稀缺的问题，由于航空发动机故障数据的获取具有一定的难度，可用的发动机故障数据相对较少，导致算法的训练和预测的准确性有所限制。
其次是算法的可解释性问题，虽然机器学习算法在数据建模和预测方面具有很强的能力，但是对于算法的决策过程和预测结果的解释性较弱，给工程师的故障分析和维修工作带来一定的困扰。
粗糙神经网络的航空电子系统故障诊断方法
文 章 编 号 ： ０ ２０ ４ （ ０ ６ １ — ０ ８ ０ １０ —６ ０ ２ ０ ）００ ４ —３
粗 糙 神经 网络 的 航 空 电子 系统 故 障诊 断 方法
杜 昌平 周德 云 江爱伟 ， ，
（． 北 工 业 大 学 ， 西 西 安 １西 陕 ７ ０ ７ ，． 都 飞 机 设 计 研 究 所 ， ｔＩ成 都 １０ ２ ２ 成 ￣Ｊ Ｉ ６０４ ） １ ０ １
２ Ｃｈ ｎ ｄ ｒｒ ｆ ｓｇ ｎ ｔ ｕｅ Ｃｈ ｎ ｄ １ ０ １ Ｃｈｎ ． ｅ ｇ ｕ Ａｉｃａ ｔＤｅｉ ｎ Ｉ ｓｉ ｔ ， ｅ ｇ ｕ ６ ０ ４ ， ｉａ） ｔ
Ａｂ ｔ ａ ｔ Ｔｈ ａ ｒ ｐｒ ｓ ｎ ｓ ａ ｍｅ ｈ ｄ ｏ ｙ ｔ ｍ ａ ｌ ｉ ｇ ｓｓ ｂ ｓ ｄ Ｏｉ ｒ ｇｈ ｓ ｔｎｅ ａ ｔ ｒ ｓ ｒ ｃ ： ｅ ｐ ｐｅ ｅ ｅ ｔ ｔ ｏ ｆｓ ｓ ｅ ｆ ｕ ｔ ｄ ａ ｎｏ ｉ ａ ｅ ｌ ｏｕ ｅ ｕｒ ｌｎｅ ｗｏ ｋ． Ｆｉｓ ｌ ｒ ｔｙ，ｉ ｄｉｃ ｅ ｏｗｌ ｄｇ ｙ ｕ ｉ ｇ ｒ ｕｇ ｅ ｈ ｏ ｙ．Ｓｅ ｏｎ ｙ，ｔ ｅ ｈ ｄ ｆ ｅ ａ ｔｔ ｙ ｔ ｍ ｕｔ ｕｔ ｔ ｓ ｏｖ ｒｋｎ ｅ ｅ ｂ ｓ ｎ ｏ ｈ ｓ ｔｔ ｅ ｒ ｃ ｄｌ ｈｅｍ ｔ ｏ ｏｒ ｃ ｓ ｈｅ ｓ ｓ ｅ ｏ ｐ ｂｙ ｏ ｃ ｍｂｉ ｅ ｄｉｃ ｖ ｒ ｄ ｎｄ ｓ ｏ ｅ ｅ ｋｎ ｏｗｌｄｇ ａ ｄ ｅ ｅ ａ ｎｅ ａ ｎｅ ｗｏ ｋ． Ｔｈｅ ｅ ｈｏ ｄ ａ ｎｏ ｅ ｙ ｔ ｍ ｆ ｕｌ ｙ ｅ ｅ ｎ ｓ ｖ ｒ ｌ ｕｒ ｌ ｔ ｒ ｍ ｔ ｄ ｉ ｇ ｓ ｓ ｓ ｅ ａ ｔ ｂ
基于粗糙集理论的约简、决策规则与模式
ｒ ｄ ｃ ｉ ｎ ａ ｄｄ ｃｓｏ ｌ ｅ ｅ ａｉ ｎ Ｂａ ｅ ｎ ｄ ｓ ｅ ｎ ｂ ｌ ｙ ｍａｒｃ ｓ ｄｄ ｃ ｓｏ ｔ ｃ ｓ ｆ ｕ ｉ ｄ ｆ ｅ ｕ ｔ ｒ ｔｏ ｕ ｅ ， ｉ ｅ ｕ ｔｏ ｎ ｅ ｉ ｉｎｒ ｅｇ ｎ ｒ ｔｏ ． ｕ ｓ ｄｏ ｉｃ ｒ ｉ ｉ ｔ ｔ ｅ ｅ ｉ ｉｎ ｍａｒ ｅ ， ｏ ｒ ｎ ｓ ｒ ｄ ｃｓ ｅｉ ｒ ｄ ｃ ｄ — ｉ ｉ ａ ｎ ｉ ｋ ｏ ａ ｎ ｅ
基于粗糙集理论的约筒、决策规则与模式
安 利 平 ， 全 凌 云
（．南开 大 学 商 学 院 ，天津 ３ ０ ７ ；２ 河 北工 业 大学 管理 学 院 ，天津 ３ ０ ３） １ ００１ ． ０１０
摘 要 ： 粗糙 集理论 的概 念性 框架之 一 就是 利用不 可分辨 关 系和布 尔推 理作 为数 据 约简和获 取 决策规 则的基础 。在 分辨矩 阵和 决策矩 阵概 念 的基础上 ， 出将 约 简分 为 ４类 ， 提 即信 息表 的对 象约 简、 息表 的全局 约简 、 策表 的对 象约 简和 决策表 的 信 决 全局 约 简，其 中决策表 的对 象约简对应 决策规 则 。从模 式 的角度对 约 简和 决策规 则进行 了分析 ，利用决 策矩阵和 决策 函数 ，
ｉ ｉ ｔｏ ｕ ｅ ． Ｗ ｉ ｅａ ｏ ｅｍｅ ｔ ｎ ｄｒ ｓ ｌ ． ｉ ｉ ｐ ｓ ｉ ｌ ｅ ｅｏ ｆ ｃ ｅ ｔ ｅ ｒｓｉ ｓ Ｔｈ ｓ ｌ ｒ ｌ ｓ ａｅ ｔ ｘ ｐ ｅ Ｓｎ ｄｃ ｄ ｒ ｔ ｔ ｖ ｎｉ ｅ ｕｔ ｈｈ ｂ ｏ ｅ ｓ ｔ Ｓ ｏ ｓｂ ｅｔ ｄ ｖ ｌ ｐ ｅ ｉ ｕ ｉｔ ． ｏ ｉ ｎ ｈ ｃ ｅｒ ｕ ｔ ａ ｅｉ ｕ ｔ ｅ ｓ ｌ ｒ ｄ ｈ ａ ｅ ａ ｌ． ｗｉ ｎ ｍ
论民航飞机故障数据处理中粗糙集的应用
我 国的 民航 业 历 程 数 十 年 的 发展 无 论 从 规模 上 还 是 运 行 质量 上 都 达 到
三、 基 于 修 正 的 粗 糙 集 方 法 的 故 障数 据 处 理
ቤተ መጻሕፍቲ ባይዱ
了世界先进 水平 ， 民航 日益成为我 国交通体系中一个极其重要 的组成部分 。 由于 民航飞行中不可控因素众多， 且 民航 机一 旦发生事故， 其后 果往往是 灾 难 性 的 ， 因此 ，安 全 飞 行 以及 飞 行 可靠 性是 民航 飞 行 始 终 关注 的 焦 点 问 题， 民航业在其发展历程中也提出了许多应对的方法， 其中最为重要 、 效果 最为 明显的就是对 民航飞机的运行状态进行实时监测 ，对于核心 部件包括 动 系统 、 电路系统、 导航系统 、 通信 系统 以及其他 关键 系统进行运行特征 参数的实时提取 ， 并将实时数据提交给故障数据处理器， 通过对关键运行参 数进行比对 分析 ， 及时发现飞行异常 ， 并通过故障数据库进 行快捷的故障模 式识别， 发现故障点， 及时发出故障警 告并对 故障点进 行预修和抢修 ， 这就 是整个故障监测方法的技术流程 。 综合来看 ， 主要的技术难点还是在于实时 的故障数据 的数据量过于庞大， 通过传统的矩 阵差别 比对法 ， 其运行效率还 难 以达到实时处理 的效果， 这 就极大的限制了这一 监测系统的实际成效 ， 因 此 ，亟需更加快速的芹别矩阵分析法，而粗糙集方法正好 能够应对这个 问
现 实意义。 总结：
粗糙集和差别矩 阵简 介 粗糙集理论是由波兰 数学家Ｚ Ｐ ａ ｗ ｌ ａ ｋ 提出，它在处理模糊和不确定数
一
、
据上极具优势。粗糙集理论的知识表达 般 以决策表 的方式进行， 决策表 的定义为ｓ ＝（ ｕ， Ｒ， ｖ， ｆ ） ， 其 中ｕ 是对象 的集合 ； Ｒ ＝ＣＵＤ是属性集合， 子集ｃ和Ｄ分别是条件 属性集和决策属性集 ； ｖ ＝ＵＶ ｒ（ ｒ ∈Ｒ ） 是属性值的集 合， ｕ× Ｒ—ｖ 是 一个信息函数 ， 它指定ｕ中每 一 个对 象Ｘ 的属性值 。差别矩 阵和求核算法是求解属性约简的常用方法， 差别矩阵常称之 为辨识矩 阵， 它
航空发动机机械故障诊断研究
航空发动机机械故障诊断研究1. 引言1.1 研究背景航空发动机是飞机最重要的部件之一，其安全性和可靠性直接影响着飞行的顺利进行。
航空发动机机械故障的发生仍然是一个不可忽视的问题。
由于航空发动机的复杂性和高度精密的机械结构，一旦发生故障往往会给飞行带来严重的安全隐患。
在过去的研究中，人们已经探索了各种航空发动机机械故障的诊断方法，包括基于传感器数据的监测系统和数据分析技术等。
由于航空发动机在飞行过程中受到各种复杂因素的影响，现有的诊断方法在准确性和实用性上仍有待提高。
对航空发动机机械故障诊断的研究具有重要的意义。
通过深入分析航空发动机机械故障的概况和诊断方法，可以为提高航空发动机的安全性和可靠性提供重要参考。
本文将围绕航空发动机机械故障诊断展开研究，探讨其方法和思路，以期为航空安全领域的发展做出贡献。
1.2 研究意义本研究的意义在于对航空发动机机械故障诊断技术进行深入研究和探讨，为提高飞行安全性和航空发动机性能提供重要依据。
航空发动机作为飞行器的动力来源，一旦出现故障将会对整个飞行过程造成严重影响甚至危险。
及时准确地诊断和解决发动机故障对于飞行安全至关重要。
而当前航空发动机机械故障诊断技术仍存在一定局限性和不足，需要进一步完善和提高。
通过本研究，将深入探讨航空发动机机械故障的特点和表现规律，总结和研究目前常见的诊断方法及技术，分析现有研究进展，探讨更有效的机械故障诊断方法和技术，提出适用于航空发动机的新的诊断思路和方法。
通过实验设计和验证，预计可以为航空发动机机械故障的诊断提供新的理论和技术支持，为飞行安全和航空发动机性能的提升做出贡献。
本研究的意义在于推动航空发动机机械故障诊断技术的进步和发展，为航空工程领域的发展提供重要支撑。
2. 正文2.1 航空发动机机械故障的概述航空发动机是飞机的心脏，起着推动飞行器前进的重要作用。
由于长时间高速运转以及复杂的工作环境，航空发动机很容易出现机械故障。
机械故障会导致飞机失去动力、出现异常震动等严重后果，甚至造成灾难性事故。
航空发动机中的故障诊断预测研究
航空发动机中的故障诊断预测研究随着现代航空业的迅速发展，航空发动机越来越成为关注的焦点。
航空发动机的稳定运行直接影响机型的性能表现和安全性能，因此在航空发动机故障诊断预测研究方面的投入也越来越多。
航空发动机故障的发生原因有很多。
其中最常见的原因是材料老化、磨损、腐蚀、裂纹和疲劳等。
这些故障会导致发动机的性能下降，从而可能影响到飞机的安全性和可靠性。
因此，如何对航空发动机的故障进行有效的预测和诊断，成为了航空科学研究领域中的重要问题。
在航空发动机故障诊断预测方面，研究人员通常采用智能技术，如机器学习、人工神经网络和模糊逻辑等方法来进行模型建立和预测。
机器学习技术是一种基于数据的自动学习方法，可以为系统建立模型，从而预测未来的行为和趋势。
而在航空发动机故障预测方面，机器学习技术被广泛应用。
例如，研究人员可以通过分析航空发动机的振动、温度和压力等数据，来预测发动机的运行状态和故障发生的概率。
目前，随着深度学习技术的发展，在航空发动机故障诊断预测中的应用也越来越广泛。
除了机器学习技术外，人工神经网络也是航空发动机故障诊断预测的重要技术之一。
人工神经网络是一种仿生学技术，可以模拟人脑的神经网络，从而实现对数据的处理和分析。
在航空发动机故障诊断预测中，人工神经网络可以利用历史数据来建立模型，并对未来的发动机故障进行预测。
此外，人工神经网络还可以进行实时监控和诊断，提高航空发动机的安全性和可靠性。
除了上述两种技术外，模糊逻辑也是航空发动机故障诊断预测上常用的技术。
模糊逻辑是一种广泛应用于控制领域的数学方法，可以对模糊的数据进行分析和处理。
在航空发动机故障诊断预测中，模糊逻辑可以将发动机的诊断结果进行分类和概率化，从而更加准确地进行发动机故障预测。
综上所述，航空发动机的故障诊断预测研究对于保证航空安全和可靠性具有非常重要的作用。
在实际应用中，我们还需要结合实际情况和数据进行细致的分析和处理，以期取得更好的预测和诊断效果。
航空发动机的故障诊断技术研究
航空发动机的故障诊断技术研究随着航空业的发展，航空发动机扮演着至关重要的角色。
发动机的失效往往会导致机器的坠毁，给人们的生命和安全带来极大的威胁。
如果能够早期发现故障并进行有效的诊断和维修，那么人们的生命和财产损失都可以得到最小化。
因此，航空发动机的故障诊断技术的研究变得越来越重要。
一、现有技术的缺陷目前，针对航空发动机的故障诊断技术存在一些缺陷。
其中最主要的是传统的基于经验的诊断方式。
这种方式是通过运用经验、技能和知识来识别和分析发动机故障。
虽然经验丰富的技术人员可能能够快速准确的通过听、触、闻、看等方式发现故障，但是这种诊断方式效率低下，无法对多种故障进行有效的区分和诊断。
此外，经验可能存在不稳定性，从而导致技术人员之间存在诊断结果的差异。
二、新技术的引进面对传统技术的缺陷，新的故障诊断技术逐渐引进到航空发动机维修领域。
其中最重要的技术是基于机器学习的故障诊断技术。
这种技术是通过建立机器学习模型来学习发动机的正常运行状态和故障状态。
模型会接受大量的数据来分析发动机状态，并构建预测模型。
当发动机状态发生改变时，预测模型会采用相似性统计方法来判断新的状态是否为故障。
这种技术无需人工干预，可以自动诊断发动机的故障类型和位置。
机器学习再结合云计算和人工智能新技术，能够优化机器学习模型，进一步提高发动机的故障诊断精度和效率。
三、应用前景未来，基于机器学习和人工智能的故障诊断技术将逐渐在航空发动机维修领域得到广泛应用。
这种技术不仅可以提高航空安全性能，还可以降低维护成本，提高航空公司的竞争力。
同时，通过故障信息的分析，机器学习也可以预测发动机的维护周期和维修件的更换时间，进一步优化维修计划。
此外，机器学习还可以用于航空发动机的状况监测，实现发动机的智能维护，使航空发动机更加可靠和安全。
总之，航空发动机故障诊断技术的研究和应用具有重要的现实意义和广阔的应用前景。
机器学习等新技术的引入将会使故障诊断更加高效和准确，提高航空安全性能，为我们的旅行提供更加安全和可靠的保障。
基于粗糙集的民航飞机故障诊断规则获取方法
A Gaining Method for Fault Diagnosis Rules in the
Civil Aircraft based on Rough Set Theory 作者： 郭亚中;左洪福;王华伟
作者机构： 南京航空航天大学民航学院,南京210016
出版物刊名： 系统工程理论与实践
页码： 139-144页
主题词： 民航飞机;粗糙集;可靠性报告;规则;约简
摘要：针对传统的民航飞机故障诊断规则来源于适航审定的标准文件，不能满足改善诊断效率的要求，在建立民航飞机故障诊断的知识复合模型的基础上，从可靠性报告中提取原始数据，进而基于粗糙集对这些数据进行预处理和约简，获取新的诊断规则，有效地提高了故障诊断的效率．实例推导出新的诊断规则，实现了传统的故障诊断规则的改进，说明了方法的可行性．。
基于模糊粗糙集的飞机远程故障诊断模型研究
基于模糊粗糙集的飞机远程故障诊断模型研究
基于模糊粗糙集的飞机远程故障诊断模型研究
粗糙集和模糊集结合在飞机故障诊断领域有巨大的发展潜力.针对当前飞机故障诊断中所存在的问题,借助C/S模式,将粗糙集和模糊集结合,提出一种新型的飞机远程故障诊断模型,并且开发出远程诊断系统框架.系统的可行性和有效性得到了飞机故障诊断实例的证实.该系统具有客户端响应快、系统效率高、诊断及时的特点,对于当前民用飞机远程故障诊断具有重要应用价值.
作者：宋云雪张传超史永胜 SONG Yun-xue ZHANG Chuan-chao SHI Yong-sheng 作者单位：中国民航大学,航空工程学院,天津,300300 刊名：中国民航大学学报 ISTIC英文刊名：JOURNAL OF CIVIL AVIATION UNIVERSITY OF CHINA 年，卷(期)：2007 25(6) 分类号：V263.6 关键词：粗糙集模糊集远程故障诊断诊断模型飞机。
- 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)。
（ １ ． Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ａ ｌ Ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ ，Ｃ ｉ ｖ ｉ ｌ Ａ ｖ ｉ ａ ｔ ｉ ｏ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ Ｃ ｈ ｉ ｎ ａ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ ３ ０ ０ ，Ｃ ｈ ｉ ｎ ａ ；２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｆ ｏ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，
粗糙 集 约 简算法 处理现有诊 断流程 系统 ， 为 了在 小样 本 条件 下更 好 地提 取 有 效信 息 ， 利 用 对 象 集定 义 的二 元 关
系和依赖 空间给 出 了变精 度粗糙 糙 集的 下近似 协调 集 的判 定 定理 。采 用 了 下近似 属 性 约 简 的飞机 发 电机 故
Ｎ ｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ Ｄ ｉ ａ ｎ ｌ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｊ ｉ ｌ ｉ ｎ Ｊ ｉ ｌ ｉ ｎ １ ３ ２ ０ １ ２ ，Ｃ ｈ ｉ ｎ ａ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ： Ａｉ ｍｉ ｎ ｇ ａ ｔ ｔ ｈｅ ｃ ｏ ｍｐ ｌ ｉ ｃ ａ ｔ ｅ ｄ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ａ ｎｄ ｔ ｈ ｅ ｌ ｏ ｗ ａ ｃ ｃ ｕｒ ａ ｃ ｙ ｏ ｆ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｔ ｉ ｃ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｉ ｎ ｅ ｘ ｉ ｓ ｔ ｉ ｎ ｇ ａ ｉ ｒ ｃ ｒ ａ ｆ ｔ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｏ ｒ ｓ ｆ ａ ｒ ｏ ｍ ｔ ｈ ｅ ｖ ｉ ｅ ｗ ｏ ｆ ｄ ａ ｔ ａ ｍｉ ｎ ｉ ｎ ｇ ， ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｂ ｅ ｔ ｔ ｅ ｒ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｖ ａ ｌ ｉ ｄ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｓ ｍａ ｌｌ ｓ ａ ｍｐ ｌ ｅ ｓ ， ｔ ｈ ｅ ｐ ａ ｐ ｅ ｒ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ａ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ
第３ ４卷 第 ４期
２ ０ １ ７年 ４月
计 算 机 应 用 研 究
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ ｓ
Ｖｏ １ ． ３ ４ Ｎｏ ． ４ Ａｐ ｒ ．２ ０１ ７
基 于粗 糙 集 约简 的 飞机 发 电机 故 障诊 断决 策 研 究
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ ａ ｉ ｒ ｃ ｒ ａ ｔ ｆ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｏ ｒ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｔ ｉ ｃ ｄ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ａ ｔ ｔ ｒ ｉ ｂ ｕ ｔ ｅ ｒ ｅ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ｉ ｎ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｒ ｏ ｕ ｇ ｈ ｓ ｅ ｔ ｓ
荆 涛 ，王家林 ，石旭东 ，陈厚合
（ １ ． 中 国民航 大 学 电子 信息 与 自动 化 学院 ，天 津 ３ ０ ０ ３ ０ ０；２ ． 东北 电力大 学 电气工程 学院 ，吉林 吉林 １ ３ ２ ０ １ ２ ） 摘 要 ：针对 现有 飞机发 电机 故障诊 断流程 繁 琐、 诊 断 结果精 确度低 的 问题 ， 从数据 挖掘 角度 出发 ， 引用 变精度
中图分类 号 ：Ｔ Ｐ ２ ７ ７ 文献标 志码 ：Ａ 文章编 号 ：１ ０ ０ １ ． ３ ６ ９ ５ （ ２ ０ １ ７ ） ０ ４ — １ １ ０ １ — ０ ４
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ３ ６ ９ ５ ． ２ ０ １ ７ ． ０ ４ ． ０ ３ ３
ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｒ ｏ ｕ ｇ ｈ ｓ ｅ ｔ ｓ ｔ ｏ ｄ ｉ ｓ ｐ ｏ ｓ ｅ ｔ ｈ ｅ ｄ ｉ ａ ｎｏ ｇ ｓ ｔ ｉ ｃ ｉ ｆｏ ｎ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｓ ｙ ｓ ｔ ｅ ｍ． Ｉ ｔ ｕ ｓ ｅ ｄ ｔ ｈ ｅ ｂ ｉ ｎ ａ ｒ ｙ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｄ ｅ ｐ ｅ ｎ ｄ ｅ ｎ ｃ ｅ ｓ ｐ ａ ｃ ｅ ｔ ｏ ｇ ｅ ｔ ｊ ｕ ｄ ｇ — ｍ ｅ ｎ ｔ ｔ ｈ ｅ ｏ ｒ ｅ ｍ ｓ ｆ ｏ ｒ ｊ ｕ ｄ ｇ ｉ ｎ ｇ 卢ｌ ｏ ｗ ｅ ｒ ａ ｐ ｐ ｒ ｏ ｘ ｉ ｍ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｎ ｓ ｉ ｓ ｔ ｅ ｎ ｔ ｓ ｅ ｔ ｓ ． Ｉ ｔ ｕ ｓ ｅ ｄ ａ ｉ ｒ ｃ ｒ ｆ ａ ｔ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｏ ｒ ｓ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｔ ｉ ｃ ｄ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ 卢
障诊 断决策 ， 根据 现有诊 断决策构造 原 始诊 断决策表 ， 并在 小样本 条件 下按 照约 简规 则 约简 ， 结 合 专 家经验 构造 决策约 简表 ， 通过 粗糙 集 中右 边界域 的 准确度 和覆盖 度验 证 了该方 法的有 效性 和普适 性 。
关键 词 ：飞机 整体驱 动发 电机 ；数据挖 掘 ；变精度 粗糙 集 ；诊 断 决策 ；准确度 ；覆盖 度