基于RS与LS_SVM的密闭鼓风炉故障诊断

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 221-223.

基于RS与LS_SVM的密闭鼓风炉故障诊断

戴贤江,桂卫华,蒋少华

中南大学信息科学与工程学院控制科学与工程系，长沙 410083

收稿日期:2007-09-28 修回日期:2007-12-11 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 戴贤江

Imperial smelting furnace fault diagnosis based on rough set and least squares support vector machine

DAI Xian-jiang,GUI Wei-hua,JIANG Shao-hua

Department of Information Science & Engineering，Center South University，Changsha 410083，China

Received:2007-09-28 Revised:2007-12-11 Online:2008-04-01 Published:2008-04-01
Contact: DAI Xian-jiang

摘要/Abstract

摘要： 针对密闭鼓风炉故障信息的复杂性和不完备性，建立了基于粗糙集（RS）和最小二乘支持向量机（LS_SVM）相结合的故障诊断模型。首先运用等频率划分法对故障诊断数据中的连续属性进行离散化，然后采用粗糙集理论进行故障诊断决策系统约简，获得最优决策系统。将约简结果与LS_SVM相结合，建立了故障诊断模型。实验结果表明，该模型提高了诊断效率和判断准确率。

关键词: 粗糙集（RS）, 最小二乘支持向量机（LS_SVM）, 故障诊断, 密闭鼓风炉

Abstract: Due to the incompleteness and complexity of fault diagnosis for imperial smelting furnace，a method based on Rough Set（RS） and Least Squares Support Vector Machine（LS_SVM） is proposed to identify the fault of imperial smelting furnace.Firstly，the discretization for the continuous attributes data in diagnostic decision system uses equal frequency scale.Then，diagnostic decision-making is reduced based on rough sets theory，the noise and redundancy in the sample are removed and the key conditions for diagnosis are determined.The model for fault diagnosis is established by combining the reduction results and LS_SVM.The experiment system implemented by this method shows a good diagnostic ability.

Key words: Rough Set（RS）, Least Squares Support Vector Machine（LS_SVM）, fault diagnosis, imperial smelting furnace

戴贤江,桂卫华,蒋少华. 基于RS与LS_SVM的密闭鼓风炉故障诊断[J]. 计算机工程与应用, 2008, 44(10): 221-223.

DAI Xian-jiang,GUI Wei-hua,JIANG Shao-hua. Imperial smelting furnace fault diagnosis based on rough set and least squares support vector machine[J]. Computer Engineering and Applications, 2008, 44(10): 221-223.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[9]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.