电力设备运行状态信息具有海量、复杂性以及不完整的特点,给设备故障诊断带来了不小的困难。本文提出一种将粗糙集理论与朴素贝叶斯相结合的数据挖掘方法,通过粗糙集求取故障诊断最小属性约简集,并在此基础上利用朴素贝叶斯计算设备发生各种故障的概率,从而得出诊断结果。最后进行了变压器故障实例分析,诊断结果证明该方法的正确性和有效性。 ，诊断结果极易出错，且诊断耗时长。数据挖掘技术-电动折弯机滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机朴素贝叶斯可以利用概率理论处理故障信息与规则库(训练样本)之间的这种不确定性，同时当规则库较大时，概率的计算要比规则匹配搜索速度快。 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com但是贝叶斯方法在使用过程中主要存在两个方面的限制:一是先验概率定义困难;二是条件属性的独立假设问题。本文提出结合粗糙集与朴素贝叶斯的电力设备故障诊断方法。该方法通过粗糙集约简参与分类的属性个数，得到相互独立的核心属性，然后基于最小属性约简集进行朴素贝叶斯方法的分类知识挖掘，使贝叶斯方法可以适用于更大的范围。算法流程如图1所示。图1故障信息挖掘实现框图下面以变压器故障诊断为例说明数据挖掘过程，其中定义条件属性C为征兆集合，决策属性D为故障集合。本文从变压器运行情况和相关文献中收集到100例变压器故障样本进行了分析研究［5－6］，给出了征兆集合C(表1)和故障集合D(表2)，并利用公式(5)计算出各故障的先验概率。表1征兆集合C列表变量征兆类型c1三比值编码呈过热性故障特征c2三比值编码呈放电性故障特征c3φ(CO)/φ(CO2)c4铁心接地电流c5绕组直流电阻的三相不平衡系数c6绕组的吸收比或极化指数c7变压器本体油中含水量c8局部放电c9绕组变比偏差表2故障集合D列表变量故障类型先验概率(%)d1铁芯多点接地或局部短路22.71d2绝缘老化5.27d3漏磁引起发热或磁屏蔽过热6.29d4匝绝缘损伤与匝间短路6.12d5绝缘受潮5.06d6分接开关及引线故障13.17d7悬浮放电7.98d8围屏放电14.21d9绕组变形与匝间短路12.02d10油中放电7.17根据上文公式(1)～(3)，计算得到故障集合与征兆集合的互信息I，如表3所示:表3故障集合与征兆集合数据挖掘技术-电动折弯机滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com