基于粗糙集约简的飞机发电机故障诊断决策研究

合集下载

粗糙集理论在故障诊断中的应用研究

ｄｉａｇｎｏｓｉｓｉｓｖｅｎｔｏｖｌｉａｄａｔｅｔｈｅａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｔｌｌａｔｗｈｅｎｔｈｅｆａｕｌｔｃｌｓｓａｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｓｉｎｖａｉａｒｂｌｅ，ｔｈｅｍａｉｎｆｅａｔｕｒｅｓｗｈｉｃｈｉｓｍｏｒｅｉｍｐｏｒｔａｎｔｔｏｔｈｅｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｃａｎｂｅｓｅａｒｃｈｅｄｔｈｒｏｕｇｈｔｈｉｓｌｇａｏｒｉｔｈｍ．Ｔｈｅｒｅｓｅａｒｃｈｓｕｐｐｌｉｅｓａｂａｓｉｓｆｏｒｆｕｒｔｈｅｒｓｔｕｄｙｏｆａｐｐｌｙｉｎｇｒｏｕｇｈｓｅｔｔｈｅｏｙｒｉｎｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓ．
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２０世纪７０年代．波兰学者Ｚ．Ｐａｗｌａｋ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。１９８２年．Ｚ．Ｐａｗｌａｋ发表了经典论文ＲｏｕｇｈＳｅｔｓ，宣告了粗糙集理论的诞生［Ｚ３１。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

ＲｅｅｒｈｏｕｔＤｉｇｏｉｏｒｅｇｎｓｄｏｓａｃｎＦａｌａｎｓｓｆＡｅｏｎｉｅＢａｅｎ
ＩｏｐｌｔＫｎｗｌｄｇｎｃｍｅｅｏｅｅ
ＬＵｎ－ｎ．ＵＺｏｇｐｉｇａＮｌＧｕ－ｈｅｈ．ｏｃｎＹＵＹｏｇｓｅｇｃｎ－ｈｎ（．ｏｌｅｏｉｒｑｃＭａａｅｎ：．ｏｌｇｅｏａｔａｃａｉａｌｇｆＡｒｒｆｎｇｍｅｔｂＣｌｅｏＡｒｎｉｌＭｅｈｎｃＣｅｆｉｅｆｎｃｓ＆ＡｉｎｓＥｇｎｅｉｇｖｏｉｎｉｅｒ；ｃｎ
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：Ｐ０．；２３２Ｔ３１１Ｖ３．文献标识码：Ａ文章编号：０１５０（０６０－０６０１０．００２０）４０１．４
ｔｃｎｌｇｏｉｃａｔｉｅｓｒｄｈｅｕｔｆｍｎｌｓｓｏｘｍｐｅｈｗｓｔａｈｓｍｅｈｄｉｅｆｃｉｅａｄｅｈｏｏｙｆｒａｒｒｆｓｎｕｅ．Ｔｅｒｓｌｒｏａａｙｉｆｅａｌｓｓｏｈｔｔｉｔｏｓｆｔｎｅｖ
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３００中．ｂ机ｃ机天０３０）

基于邻域粗糙集的航空发电机健康诊断方法

ｂｓｄｏＶＭｏｕｔｅａｒｉｇｏｔｈａｔｉｇｏｉｆａｒ — ｅｅａｏ．ＴｈｆｅｔｖｎｓｆａｅｎＳｆｒｆｒｈｒｃｒｙｎｕｅｌｈｄａｎｓｓｏｅｏｇｎｒｔｒｅｅｆｃｉｅｅｓｏ
Ｒａｄｔｒｂａｎｄｆｏａｓｅｉｉｅｏｇｎｒｔｒｔｓｌｔｏｍ．Ａｎａｐｏｃｆａｔｉｕｅｗａａａｅｏｔｉｅｒｍｐｃｆａｒ — ｅｅａｏｅｔｐａｆｒｃｐｒａｈｏｔｒｂｔｒｄｃｉｎｕｉｇｎｉｈｏｈｏｏｇｅｓｔｅｒｓｏｔｉｅｎｉｇｏｉｌｓｉｅｓｄｓｇｅｅｕｔｏｓｎｅｇｂｒｏｄｒｕｈｓｔｈｏｙｉｕｌｄａｄａｄａｎｓｓｃａｓｆｒｉｅｉｎｄｎｉ
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；Ｐ０Ｔ２６文献标识码：Ａ
ＨｅｌｈＤｉｇｓｓｏｒ－ｎｅａｏｓｄｏｎａｔａｎｏｉｆＡｅｏＧｅｒｔｒＢａｅ
ｉｐｅｅｔｄｂｓｄｏｅｇｂｒｏｄｒｕｈｓｔｈｏｙａｄｓｐｏｔｖｃｏｃｉｅ（ＶＭ）ｓｒｓｎｅａｅｎｎｉｈｏｈｏｏｇｅｓｔｅｒｎｕｐｒｅｔｒｍａｈｎＳ．
Ａｂｔａｔｓｒｃ：Ｈｅｌｉｇｏｉｆａｅｏｇｎｒｔｒｉｍｐｒａｔｔｌｈａｅｙａｔｄａｎｓｓｏｎａｒ — ｅｅａｏｓｉｏｔｎｏｆｉｔｓｆｔ．Ｏｎｆｒｑｉｅｈｇｅｏｅｕｒ — ｍｅｔｓａａｌｂｌｙｏｘｒｃｉｇｕｅｕｆｒｔｏｒｍａｄｔ．Ａｅｌｈｄａｎｓｓｍｅｈｄｎｓｉｖｉｉｔｆｔａｔｎｓｆｌｉｏｍａｉｎｆｏｒｗａａａｉｅｎｈａｔｉｇｏｉｔｏ

基于粗糙集的故障诊断技术研究

２１年第３期０２
信息通信
Ｉ￣ＲＡＴＩＮＦＩＭＯＮ＆ＣＯＭＭＵＮＩＣＡＴＯＮＳＩ
２１０２
（总第１９期）１
（ｕＳｍＮ１９ｏ１）
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６８０）１３７
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
ｂｄｅｂｔａ
ａｅｂａｂ
一
－ — 一
●
．
一
．．
一
．．
４ｃ
一
．
．
一
ａｂ
．．
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）
３６．５３．ｏ５０Ｏ
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ＳＰＯＴ表征了规则在整个数据中适用的对ＵＰＲ象数，ＣＲＹ表征了规则的精度，ＯＲＥ表征了ＡＣＵＡＣＣＶＥＡＧ规则的适用度。表４规则集和规则参数表
Ｏ２
（Ｃ）
２
（）
１Ｏ
ｃ０一ｙ０（）（）ｃ卜＋（）（ｙｏ２
６ｌ
１１
Ｏ５００３．８
ｂ１（ — ｙ１（１＋（））
ｕｌ２）１（Ｏ００１０
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

ｍｅｈｄｐｌｄｔｏｖｏｉｓｅｕｐｎｏｖｒｉｄｔｅｆｕｔｄａｎｓｓｏａｉｉ．ｔｏｓｉａｐｉｏｓｍｅａｉｎｃｑｉｍｅｔｔｅｉｅｈａｌｉｇｏｉｆｖｌｔｓｅｆｄｙＫｅｙｗｏｒｓ：ｒｕｈｓｔｈｏｙ；ｆｌｄａｎｓｓ；ｏｔｉｅｕｅｍｅｈｄ；ａｉｎｃｑｕｐｎｄｏｇｅｓｔｅｒａｕｔｉｇｏｉｂａｎｄｒｌｔｏｖｏｉｓｅｉｍｅｔ
Ｓｅ４恢复Ｔ’ ｔｐ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“ ” ｔｐ？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，ｔｐ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：Ｐ８，２Ｔ１１Ｖ４文献标志码：Ｂ
Ｏｎｐｉａａｌｄａｎｓｓｒｌｂａｎｍｅｈｄｂｓｄｏｏｇｅｓｔｅｒｅｏｔｍｌｆｕｔｉｇｏｉｕｅｏｔｉｔｏａｅｎｒｕｈｓｔｈｏｙ

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。

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)。

ＪｉｎｇＴａｏ，ＷａｎｇＪｉａｌｉｎ，ＳｈｉＸｕｄｏｎｇ，ＣｈｅｎＨｏｕｈｅ
（１．ＣｏｌｌｅｇｅｏｆＡｅｒｏｎａｕｔｉｃａｌＡｕｔｏｍａｔｉｏｎ，ＣｉｖｉｌＡｖｉａｔｉｏｎＵｎｉｖｅｒｓｉｔｙｆｏＣｈｉｎａ，Ｔｉａｎｊｉｎ３００３００，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｆｏＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，
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
ＮｏｒｔｈｅａｓｔＤｉａｎｌｉＵｎｉｖｅｒｓｉｔｙ，ＪｉｌｉｎＪｉｌｉｎ１３２０１２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｃｏｍｐｌｉｃａｔｅｄｐｒｏｃｅｓｓａｎｄｔｈｅｌｏｗａｃｃｕｒａｃｙｏｆｄｉａｇｎｏｓｔｉｃｒｅｓｕｌｔｓｉｎｅｘｉｓｔｉｎｇａｉｒｃｒａｆｔｇｅｎｅｒａｔｏｒｓｆａｒｏｍｔｈｅｖｉｅｗｏｆｄａｔａｍｉｎｉｎｇ，ｉｎｏｒｄｅｒｔｏｂｅｔｔｅｒｅｘｔｒａｃｔｖａｌｉｄｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｓｍａｌｌｓａｍｐｌｅｓ，ｔｈｅｐａｐｅｒｉｎｔｒｏｄｕｃｅｄａｖａｒｉａｂｌｅ
第３４卷第４期
２０１７年４月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏ１．３４Ｎｏ．４Ａｐｒ．２０１７
基于粗糙集约简的飞机发电机故障诊断决策研究
Ｒｅｓｅａｒｃｈｏｆａｉｒｃｒａｔｆｇｅｎｅｒａｔｏｒｆａｕｌｔｄｉａｇｎｏｓｔｉｃｄｅｃｉｓｉｏｎｂａｓｅｄｏｎａｔｔｒｉｂｕｔｅｒｅｄｕｃｔｉｏｎｉｎｖａｒｉａｂｌｅｐｒｅｃｉｓｉｏｎｒｏｕｇｈｓｅｔｓ
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３００３００；２．东北电力大学电气工程学院，吉林吉林１３２０１２）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：ＴＰ２７７文献标志码：Ａ文章编号：１００１．３６９５（２０１７）０４ — １１０１ — ０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１７．０４．０３３
ｐｒｅｃｉｓｉｏｎｒｏｕｇｈｓｅｔｓｔｏｄｉｓｐｏｓｅｔｈｅｄｉａｎｏｇｓｔｉｃｉｆｏｎｒｍａｔｉｏｎｓｙｓｔｅｍ．Ｉｔｕｓｅｄｔｈｅｂｉｎａｒｙｒｅｌａｔｉｏｎａｎｄｄｅｐｅｎｄｅｎｃｅｓｐａｃｅｔｏｇｅｔｊｕｄｇ — ｍｅｎｔｔｈｅｏｒｅｍｓｆｏｒｊｕｄｇｉｎｇ卢ｌｏｗｅｒａｐｐｒｏｘｉｍａｔｉｏｎｃｏｎｓｉｓｔｅｎｔｓｅｔｓ．Ｉｔｕｓｅｄａｉｒｃｒｆａｔｇｅｎｅｒａｔｏｒｓｆａｕｌｔｄｉａｇｎｏｓｔｉｃｄｅｃｉｓｉｏｎｂａｓｅｄｏｎ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