一、研究内容及成果形式
1、总体思路 拟解决的关键技术有： 对粗糙神经网络故障诊断模型进行研究； 完成粗糙神经网络对飞机发动机气路故障的诊断仿真。
一、研究内容及成果形式
2、成果形式 给出两种的故障诊断和预测算法； 给出粗糙神经网络故障诊断模型。 研究成果主要以研究报告的形式提供。在重要学术期刊上 发表2-5篇学术论文；对研究成果进行总结和鉴定。
二、关键技术研究
1、粗糙神经网络的体系结构
形成决策表
学习样本集
数据预处理
条 件 属 性 SOFM和差别 值离散化 矩阵的方法
决策表约简
形成规则集
最简决策表
最小条件属 性集的学习 样本集
粗糙集输出结果
分析并输 出结果
测试样本集
最小条件属 性集的测试 样本集
神经网络系统
பைடு நூலகம்
神经网络 输出结果
二、关键技术研究
三、模型实用性验证
发动机测试样本数据
Date
Time
M
PA TAT TLA FF N1 N2 ITT T2_5 P2_5
18.05.09 21.31.50 0.722 26602 -14.3 66.9 1504 84.85 92.46 705 14.2 10.4
19.05.09 14.56.06 0.727 27602 -16.5 67.3 1460 84.97 92.28 702 12.1 10.1
1、粗糙神经网络的体系结构
（1）通过粗糙集方法减少信息表达的属性数量，减少构建人工 神经网络系统的复杂性，同时也减少后继流程中信息作为网络 输入时的特征值计算时间；
（2）通过粗糙集方法去掉冗余信息，使训练集简化，以便减少 人工神经网络的训练时间；
（3）使用人工神经网络作为后置的信息识别系统，有较强的容 错及抗干扰能力；
10.06.09 11.57.51 0.723 30090
-2 68.8 1425 87.41 94.9 745 22.5 8.9
三、模型实用性验证
条件属性 M PA TAT
TLA FF
分类标示 1类 3类 2类 2类 3类 1类 1类 3类 2类 3类 2类 1类 1类 3类 2类
分类区间 [0-0.7228) [0.7228-0.7369) [0.7369-+∞) [0-26022) [26022-28763) [28763-+∞) [-∞--8.3317) [-8.331--1.5076) [-1.5076-+∞) [0-67.3316) [67.3316-68.4263) [68.4263-+∞) [0-1463.2) [1463.2-1580) [1580-+∞)
+∞
28.05.09 21.16.28 0.75 26598 5.7 71 1678 88.62 96.52 769 29 10.6 29.05.09 20.42.29 0.755 26576 -1.4 67.9 1672 87.44 95.45 774 26 10.5
09.06.09 09.10.13 0.643 23610 -3.8 61.3 1404 82.36 92.84 690 22.2 10.7
（4）由于粗糙集理论在简化知识表达的同时，也可以得出决策 规则，因而也可以作为后续使用中的信息识别规则，将粗糙集 方法得到的结果与人工神经网络方法得到的结果相比较，从而 作进一步修正。
二、关键技术研究
2、对SOFM和差别矩阵的属性离散化算法研究
注意到基于差别矩阵的约简算法中，要求决策矩阵中的单个元 素的集合构成属性的核，但是在研究过程中发现有时不存在有 单个元素的决策矩阵，那是否就不存在约简了呢？为此提出了 基于SOFM网络和差别矩阵的离散化算法，这一算法能够好地 求出核，从而为属性约简奠定基础。
二、关键技术研究
2、对SOFM和差别矩阵的属性离散化算法研究
属性离散化
计算差别矩阵
再
判断决策表是否相容
N
次 离
散
化
Y
判断是否存在核
N
Y 完成离散化
基于SOFM和差别矩阵的属性离散化算法流程图
二、关键技术研究
2、对SOFM和差别矩阵的属性离散化算法研究
从属性离散化上就着眼于解决差别矩阵约简算法中存在的问题， 不仅能够获得离散化效果较优、机器处理时间较少的决策表，更 重要的是为属性约简奠定了基础，使得决策表能够获得约简，而 粗糙集的意义正是体现在约简上。
发动机训练样本数据
Date Time M PA TAT TLA FF N1 N2 ITT T2_5 P2_5 D 18.05.09 17.31.48 0.745 29100 -14.6 68.6 1456 86.26 92.77 724 15 9.7 0 19.05.09 11.16.56 0.726 26592 -16 67.7 1520 84.98 92.19 703 12.6 10.5 0
29.05.09 19.00.24 0.598 25590 -8.4 56.5 1192 79.91 91.09 675 16.8 9.4 1 29.05.09 29.05.09 0.731 25592 1.5 68 1644 87.41 95.29 758 32.1 10.9 1
06.06.09 18.44.40 0.726 26578 -6.1 67.7 1568 86.62 94.24 736 23.7 10.5 0 08.06.09 14.49.52 0.741 26598 8.6 75.3 1640 88.84 96.72 788 40.2 10.6 0
二、关键技术研究
3、输出结果分析处理
输出结 果为[0 0]
最终输出 结果为[0]
粗糙神经网络 故障诊断模型
输出结 果为[0 i]
输出结 果为[i j]
最终输出 结果为[i]
最终输出 结果为[i j]
将诊断数据 存入训练样 本数据库
输出结 果为[j j]
最终输出 结果为[j]
最终输出结果处理示意图
三、模型实用性验证
报 告 人:
主要内容
一、研究内容及预期成果形式 二、关键技术研究 三、模型实用性验证 四、所发表的论文
一、研究内容及成果形式
1、总体思路
本项目的总体思路是以民航飞机的发动机系统为对象，将 数据库技术、数据融合技术、信号处理技术和智能计算技术等 结合起来，研究飞行器PHM的关键技术。主要思路是将粗糙 集理论与神经网络进行集成，充分利用两者的优势，结合飞机 发动机的故障模式、故障机理、故障数据，进行故障诊断研究 。并在此基础上，提出应用于故障诊断的粗糙神经网络模型， 结合具体飞机发动机故障案例，进行模型实用性验证。