Die Komplexität der Struktur und Vibrationen des Dampfkraftwerks-Generatorsätze machen ihre Ausfälle hierarchisch und zufällig, sowie gekennzeichnet durch Mangel an Informationen über die Ausfälle. Zur Lösung dieser Problematik wird eine Methode zur Diagnose von Vibrationsausfällen der Dampfkraftwerks-Generatorsätze vorgeschlagen, die auf der Theorie grober Mengen und dem Algorithmus der Naiven Bayes-Klassifizierung basiert. Durch Anwendung der Theorie grober Mengen zur Erlangung einer minimalen Menge von Eigenschaften und Verwendung des Naiven Bayes-Klassifizierungsalgorithmus zur Diagnose der Zone mit der höchsten Ausfallwahrscheinlichkeit sowie zur Validierung dieser Methode mit einem spezifischen Ausfallwert. Die tatsächlichen Fallstudien-Ergebnisse zeigten, dass diese Methode in der Lage ist, gute Diagnoseergebnisse unter Bedingungen unvollständiger oder verlorener Schlüsselinformationen zu erzielen und die Systemresilienz zu verbessern.

Dampfkraftwerks-Generatorsätze; Diagnose von Vibrationsausfällen; Theorie grober Mengen; Algorithmus der Naiven Bayes-Klassifizierung; minimale Reduktion von Eigenschaften; Ausfallwahrscheinlichkeit