本文研究了基于数据挖掘的压缩机故障诊断方法,跟以往的故障诊断方法不同,作者研究的方向并不是基于机械振动分析,而是采用了粗集理论结合神经网络的方法。这种方法充分利用了运行时从DCS上采集来的大量特征数据,并利用粗集理论在处理大数据量、消除冗余信息等方面的优势,减少BP网络训练数据的冗余,从中找出故障发生的规律和诊断规则知识。 粗集理论近年来在智能信息处理研究领域获得了迅速发展,它基于现实的大数据集,从中推理、发现知识和分类系统的某些特点,对于研究不精确知识的表达、学习、归纳方面有其独特之处。 因为压缩机的实际情况是不精确的知识处理,与粗集的特点较为吻合,因此引入了粗集这个强有力的工具。运用该理论所提供的上、下近似范畴及不可分辨关系,将运行的特征数据“去粗存精”,即去掉冗余的条件属性和重复的记录(称为约简)。在此基础上,得出诊断的规则,再结合机器学习理论,应用人工神经网络,优化该诊断的结果,并使其具有自学习能力,设计出具有故障诊断和智能预测的设备故障诊断系统。