为了使排样方案更能满足设计者设计意图,符合企业设计规范,研究了一种基于粗糙集的矩形件优化填充排样方法。在实际的排样工作中,综合考虑工件成本、加工时间、施工效率与设计偏好度这些因素的情况下,提出了一种基于粗糙集理论的矩形件综合价值计算方法,将排样多边形区域划分为多个矩形子段,建立矩形件优化填充排样数学模型,采用基于最优子段排样的动态规划算法求解最大价值,以获取最优布置方案。最后,将其成功应用于铝模板智能排摸设计系统开发中,结合实例验证了该方法的有效性。

根据道路交通管理部门基于事故数据库挖掘事故成因的需要,将交通事故属性划分为两个层次,应用粗糙集理论,分步给出了“人、车、路、环”四要素及各自包含属性对交通事故重要程度的计算方法。实例分析和t检验结果表明了方法的有效性。

为了解决复杂电路系统故障样本少、特征信息冗杂的问题，提出了一种基于粗糙集属性约简理论和支持向量机分类方法相结合的故障诊断方法。首先采用粗糙集约简故障模式库中的冗余特征属性和矛盾样本，然后提取最简故障特征模式作为支持向量机的学习样本，通过样本训练使构建的支持向量机多分类器能够快速实现故障诊断的目的。最后，通过仿真算例验证了该方法在小样本故障识别上的有效性和可行性。

电液伺服阀是电液伺服控制中的关键元件,其性能关系到整个伺服系统的控制精度和响应速度。当前,伺服阀的故障诊断仍以离线为主,缺乏在线诊断的有效手段。根据伺服阀的工作特性,提出一种反映伺服阀动态特征的状态信号选取方法;通过对伺服阀阀芯开口度进行时频联合分析,结合所选取的伺服阀特征参数,提取出反映伺服阀动态特征信息的特征向量;采用粗糙集理论对特征量进行约简以提高在线诊断效率。基于人工神经网络的伺服阀性能在线诊断的实验结果表明所提取的特征向量能够准确反映伺服阀动态特征信息,有效判断伺服阀的异常状态,为电液伺服阀的在线故障诊断提供了参考。

大型数控液压机的液压系统故障与状态信息存在着复杂的非线性关系。该文将粗糙集理论和神经网络相结合,应用到大型数控液压机液压系统的故障诊断中。文中以下液压垫诊断为例,采用粗糙集理论对故障决策表进行属性约简,将获取的主要特征属性输入神经网络进行训练学习,通过这些测试数据得到仿真结果。仿真结果表明该方法用于大型数控液压机的液压系统故障诊断是有效的。

针对航空液压泵故障样本有限、故障数据同时具有不完备和冗余的特点,分析了液压泵柱塞球头游隙增大故障的原因和特点,对比了故障泵相对于正常泵的频域信号特征,提出了一种基于粗糙集和支持向量机的液压泵故障诊断方法.首先利用粗糙集对故障特征变量进行约简,去除冗余信息,在保证分类质量不变的前提下寻求描述系统故障特征的最小属性集合;然后再将经过粗糙集约简后的数据样本用于训练支持向量机来进行小样本的故障诊断.试验结果表明采用粗糙集和支持向量机相结合的诊断方法适合于航空液压泵的高精度故障诊断.

针对数控机床可靠性综合评价中指标选取不一、需要大量先验知识等不足,提出一种粗糙集与K-means聚类算法相结合的评价方法。建立原始评价指标体系,通过K-means聚类算法与Silhouetta指标对各指标值进行离散化处理,并运用粗糙集理论约简冗余指标,构造动态评价指标体系。根据属性重要度定义对约简后的指标客观赋权,构建粗糙集聚类可靠性综合评价模型。结果表明:所提出的方法合理、有效。

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.

针对当前专家系统知识获取瓶颈的难题，提出一种基于粗糙集的装载机液压系统故障诊断专家系统知识获取模型。将装载机液压系统的故障历史数据离散化，构建故障诊断决策表，通过粗糙集数据挖掘算法获取故障诊断的最小约简属性集和潜在的诊断规则，并建立诊断规则知识库。以ZL50型装载机液压系统中的齿轮泵故障分析为例进行了验证。

针对液压泵故障诊断特性参数多、故障诊断模糊性强的特点，提出应用阶比分析方法消除与振动信号无关的噪声干扰，然后利用粗糙集理论对故障诊断决策表进行约简，获得最优决策系统，最后在最优决策系统的基础上，形成液压泵故障诊断规则，有效提高了液压泵故障诊断的精度和效率。