基于粗集—神经网络的矿井通风系统可靠性理论与方法研究
|
摘要
矿井通风系统可靠性理论与技术研究，主要是针对该领域存在的一些问题而提出的，其目的是提高矿井通风系统可靠性水平，降低通风系统的建设和维护成本，防止和减少灾害事故发生，保障矿井高产高效的实现。因此，进一步完善和改进现有矿井通风系统可靠性理论机制，更新技术和管理手段，是提高通风系统可靠性研究的合理性、实效性和推广应用性的关键；也是优化矿井通风设计、促进安全生产的一项重要任务。
本文针对矿井通风系统可靠性研究实际，在分析总结已有成果基础上，将网络流理论、人工神经网络技术和粗集理论与系统可靠性理论相结合，分别基于网络流理论和神经网络理论，建立了矿井通风系统的可靠性评价的解析模型和仿真模型；基于粗集-神经网络理论建立了通风系统可靠性预警仿真模型；同时，基于系统单元特性，进行了矿井通风系统可靠性设计，并对可靠性设计工作中的通风系统故障特征提取和可靠性分配方法进行了深入研究。主要研究工作如下：
a．基于网络流理论的矿井通风系统可靠性研究
根据通风系统的自身特点，将其看成是由通风网络系统和主通风机系统两个子系统构成的可修系统。应用网络流理论，针对通风网络拓扑结构及通风构筑物特性，建立了功能型通风网络可靠性评价模型，并给出了求解网络可靠性指标的不交化最小路集算法；针对矿井主通风机子系统的可修特性，应用Markov过程理论，建立了基于冷储备可修理论的矿用主通风机子系统可靠性模型。
b．基于人工神经网络理论的矿井通风系统可靠性研究
矿井通风系统是一个多环节、动态、随机、时变的大系统，影响该系统可靠性运转的因素十分复杂和繁多，各影响因素之间往往又相互关联，具有很强的耦合特性。因此，作者在对影响通风系统可靠性的因素进行全面分析后，建立了基于BP神经网络的通风系统可靠性评价仿真模型；采用Weibull过程模型和自适应神经网络技术对通风系统的故障过程进行了分析，给出了基于影响因素属性的通风系统故障过程改善和劣化的定量描述；论证了通风系统故障过程的改善(劣化)
博士学位论文
荃于粗集一神经网络的通风系统可靠性评价理论与方法研究辽宁工程技术大学
与故障强度、累积故障强度之间的关系;推导出了平均故障间隔时间和首次故障
时间等特征参数模型。
c.基于粗集一神经网络的矿井通风系统可靠性预替研究
通过采用神经网络技术对矿井通风系统进行可靠性预警仿真时发现，由于该系
统的特征参数过多，造成了网络规模过大、训练时间过长、以及系统规则库存在
冗余等现象，导致了可靠性预警仿真模型实用性能的降低。为此，作者将粗集方
法作为BP神经网络的前置系统，通过对矿井通风系统属性特征的提取和影响因素
的约简，优化了神经网络中的输入节点个数，降低了神经网络结构的复杂性，从
而形成了一个精确度更高、解算速度更快的基于粗集一神经网络的通风系统可靠性
预普仿真模型。在此基础上，论文又提出了分层发掘基于粗集一神经网络的通风系
统可靠性仿真的概念，使得用户可以根据对所研究系统的不同需要，在不同的层
次对通风系统进行可靠性评价。
d.基于单元特性的矿井通风系统可靠性设计
在已知矿井通风系统可靠性综合指标基础上，建立了基于单元相对易损度、单
元重要度和复杂度、以及单元相对故障频度的矿井通风系统可靠性分配模型，并
用于主通风机子系统研究中。通过对主通风机风量变化规律及故障类型的统计分
析，建立了基于效率可靠度的主通风机子系统可靠性设计模型，并运用该模型求
解出矿用主通风机运行各阶段的可靠度指标值，及其对主通风机合理工况范围的
影响。
以上解析模型和仿真模型的建立和特征参数的求取均编制了具体实现的计算
机源程序，并在VC++6.0和Matlab6.0环境下运行通过。
本文基于网络流理论、粗集理论和神经网络技术所建立的矿井通风系统可靠性
评价、可靠性预替及可靠性设计决策仿真系统，为矿井通风系统设计、管理和维
护部门提供更加实用的决策支持工具，也为进一步提高矿井通风系统可靠性水平
提供了新的理论依据。
The research on reliability theory and technique in mine ventilation system is put forward, and it mainly aims at resolving the problems in this field. The purpose is to increase the reliability level of mine ventilation system, to decrease the building cost and maintenance cost of it, to prevent and reduce the happening of the disaster and accident in it, and to ensure the fulfilling high yield and high efficiency of mine. So it is the key to advance the rationality, actual effect quality, expanding quality and applying quality that more perfecting and improving reliability theory mechanism of mine ventilation system in existence, renovating the technical and administrant means. And so is one of the important tasks to optimize mine ventilation design and to accelerate safe production.
In this text, the author aiming at the reliability research practice about mine ventilation system, and basing on the analysis and summary of the predecessor's production, combined the theory of network stream, ANN technique and the rough set theory with system reliability theory, set up the analytic model and imitated model about the reliability evaluation of the mine ventilated system basing on the theory of network stream and ANN respectively, and set up the reliability early-warning model based on rough set and artificial neuron network theory. At same time, basing on the system cell's speciality, the author designed the mine ventilation reliability, and investigated the method of the failures characteristic's picking and the reliability distribute in reliability design deeply. Primary research work as follows:
a. Mine ventilation system reliability research based on network stream theory
Basing on the characteristics of mine ventilated system oneself, it can be considered as a repairable system made up of two subsystem of the ventilated network system and main fanner system. Making use of the network stream theory, aiming at the topological structure of the mine ventilated network and the speciality of ventilated buildings, the author set up the ventilated network reliability evaluation model with functional style, and brought forward the minimizing path sets arithmetic to solve network reliability indexes; in allusion to the repairable specialities of the main fanner subsystem, applying Markov process theory, basing on the repairable theory of cold reserve, the author set up reliability model of the main fanner subsystem used in mine.
b. Research on mine ventilation system reliability based on artificial neuron network theory
Because of the mine ventilated system is a more taches, dynamical, random, and time-changing large system, the factors affecting the system reliability are very complicated and numerous, and sometimes the influence factors relations one another and taking on very strong coupling specialty. So after completely analyzing factors that influence the reliability of mine ventilated system, the author set up an evaluating imitated model about ventilation system reliability based on BP neuron network technique; The Weibull process model is adopted to analyze the process of the ventilated system's failures. The fixed amount describe of the mine ventilated system failures' improvement and worsen basing on the influence factors' attributes is brought
up; Demonstrating the relations about the improvement or worsen with the failures intensity and the cumulated failures intensity during the ventilated system failures' process; The characteristic parameter model about the mean time between failures and the first failures time was deduced.
c. Research on ventilation system reliability early-warning based on rough set and artificial neuron network theory
Form the reliability early-warning imitating to mine ventilated system with artificial neuron network technique, we have found that the much more characteristic parameters make the ANN scale too large, train time too long, the redundancy of the system rule databases and so on, and it result in the practicability function of the imitated model lower. So the author p
本文针对矿井通风系统可靠性研究实际，在分析总结已有成果基础上，将网络流理论、人工神经网络技术和粗集理论与系统可靠性理论相结合，分别基于网络流理论和神经网络理论，建立了矿井通风系统的可靠性评价的解析模型和仿真模型；基于粗集-神经网络理论建立了通风系统可靠性预警仿真模型；同时，基于系统单元特性，进行了矿井通风系统可靠性设计，并对可靠性设计工作中的通风系统故障特征提取和可靠性分配方法进行了深入研究。主要研究工作如下：
a．基于网络流理论的矿井通风系统可靠性研究
根据通风系统的自身特点，将其看成是由通风网络系统和主通风机系统两个子系统构成的可修系统。应用网络流理论，针对通风网络拓扑结构及通风构筑物特性，建立了功能型通风网络可靠性评价模型，并给出了求解网络可靠性指标的不交化最小路集算法；针对矿井主通风机子系统的可修特性，应用Markov过程理论，建立了基于冷储备可修理论的矿用主通风机子系统可靠性模型。
b．基于人工神经网络理论的矿井通风系统可靠性研究
矿井通风系统是一个多环节、动态、随机、时变的大系统，影响该系统可靠性运转的因素十分复杂和繁多，各影响因素之间往往又相互关联，具有很强的耦合特性。因此，作者在对影响通风系统可靠性的因素进行全面分析后，建立了基于BP神经网络的通风系统可靠性评价仿真模型；采用Weibull过程模型和自适应神经网络技术对通风系统的故障过程进行了分析，给出了基于影响因素属性的通风系统故障过程改善和劣化的定量描述；论证了通风系统故障过程的改善(劣化)
博士学位论文
荃于粗集一神经网络的通风系统可靠性评价理论与方法研究辽宁工程技术大学
与故障强度、累积故障强度之间的关系;推导出了平均故障间隔时间和首次故障
时间等特征参数模型。
c.基于粗集一神经网络的矿井通风系统可靠性预替研究
通过采用神经网络技术对矿井通风系统进行可靠性预警仿真时发现，由于该系
统的特征参数过多，造成了网络规模过大、训练时间过长、以及系统规则库存在
冗余等现象，导致了可靠性预警仿真模型实用性能的降低。为此，作者将粗集方
法作为BP神经网络的前置系统，通过对矿井通风系统属性特征的提取和影响因素
的约简，优化了神经网络中的输入节点个数，降低了神经网络结构的复杂性，从
而形成了一个精确度更高、解算速度更快的基于粗集一神经网络的通风系统可靠性
预普仿真模型。在此基础上，论文又提出了分层发掘基于粗集一神经网络的通风系
统可靠性仿真的概念，使得用户可以根据对所研究系统的不同需要，在不同的层
次对通风系统进行可靠性评价。
d.基于单元特性的矿井通风系统可靠性设计
在已知矿井通风系统可靠性综合指标基础上，建立了基于单元相对易损度、单
元重要度和复杂度、以及单元相对故障频度的矿井通风系统可靠性分配模型，并
用于主通风机子系统研究中。通过对主通风机风量变化规律及故障类型的统计分
析，建立了基于效率可靠度的主通风机子系统可靠性设计模型，并运用该模型求
解出矿用主通风机运行各阶段的可靠度指标值，及其对主通风机合理工况范围的
影响。
以上解析模型和仿真模型的建立和特征参数的求取均编制了具体实现的计算
机源程序，并在VC++6.0和Matlab6.0环境下运行通过。
本文基于网络流理论、粗集理论和神经网络技术所建立的矿井通风系统可靠性
评价、可靠性预替及可靠性设计决策仿真系统，为矿井通风系统设计、管理和维
护部门提供更加实用的决策支持工具，也为进一步提高矿井通风系统可靠性水平
提供了新的理论依据。
The research on reliability theory and technique in mine ventilation system is put forward, and it mainly aims at resolving the problems in this field. The purpose is to increase the reliability level of mine ventilation system, to decrease the building cost and maintenance cost of it, to prevent and reduce the happening of the disaster and accident in it, and to ensure the fulfilling high yield and high efficiency of mine. So it is the key to advance the rationality, actual effect quality, expanding quality and applying quality that more perfecting and improving reliability theory mechanism of mine ventilation system in existence, renovating the technical and administrant means. And so is one of the important tasks to optimize mine ventilation design and to accelerate safe production.
In this text, the author aiming at the reliability research practice about mine ventilation system, and basing on the analysis and summary of the predecessor's production, combined the theory of network stream, ANN technique and the rough set theory with system reliability theory, set up the analytic model and imitated model about the reliability evaluation of the mine ventilated system basing on the theory of network stream and ANN respectively, and set up the reliability early-warning model based on rough set and artificial neuron network theory. At same time, basing on the system cell's speciality, the author designed the mine ventilation reliability, and investigated the method of the failures characteristic's picking and the reliability distribute in reliability design deeply. Primary research work as follows:
a. Mine ventilation system reliability research based on network stream theory
Basing on the characteristics of mine ventilated system oneself, it can be considered as a repairable system made up of two subsystem of the ventilated network system and main fanner system. Making use of the network stream theory, aiming at the topological structure of the mine ventilated network and the speciality of ventilated buildings, the author set up the ventilated network reliability evaluation model with functional style, and brought forward the minimizing path sets arithmetic to solve network reliability indexes; in allusion to the repairable specialities of the main fanner subsystem, applying Markov process theory, basing on the repairable theory of cold reserve, the author set up reliability model of the main fanner subsystem used in mine.
b. Research on mine ventilation system reliability based on artificial neuron network theory
Because of the mine ventilated system is a more taches, dynamical, random, and time-changing large system, the factors affecting the system reliability are very complicated and numerous, and sometimes the influence factors relations one another and taking on very strong coupling specialty. So after completely analyzing factors that influence the reliability of mine ventilated system, the author set up an evaluating imitated model about ventilation system reliability based on BP neuron network technique; The Weibull process model is adopted to analyze the process of the ventilated system's failures. The fixed amount describe of the mine ventilated system failures' improvement and worsen basing on the influence factors' attributes is brought
up; Demonstrating the relations about the improvement or worsen with the failures intensity and the cumulated failures intensity during the ventilated system failures' process; The characteristic parameter model about the mean time between failures and the first failures time was deduced.
c. Research on ventilation system reliability early-warning based on rough set and artificial neuron network theory
Form the reliability early-warning imitating to mine ventilated system with artificial neuron network technique, we have found that the much more characteristic parameters make the ANN scale too large, train time too long, the redundancy of the system rule databases and so on, and it result in the practicability function of the imitated model lower. So the author p
引文
[1] 马云尔．矿井广义可靠性理论[M]，煤炭工业出版社，1995．116-126．
[2] Lowndes L.S. et al., Review of Mine Ventilation System Optimization. Transactions of Institution of Mining and metallurgy, Section A: Mine Industry. Vol. 105, May/A ugust, 1996,A 114-A 126.
[3] Tiwari R. K, Werma M. An Algebraic Technique for reliability evaluation[J]. IEEE trans. Reliability 1980 R-29,310-313.
[4] Hariri S. A Symbolic Reliability algorithm based on path and cutest methods[J]. IEEE Trans. Computers, 1987,R-36:34-37.
[5] Fong C C,Buzacott J A. An algorithm for Symbolic Reliability computation with path-sets or cut-sets. IEEE Trans. Reliability, 1987,C-36(10),12-24.
[6] 肖德辉．可靠性工程，宇航出版社[M]，1985，(16-20)．
[7] 史定华．计算可修系统在[O，t]中平均故障次数的新方法[J]．应用数学学报，1985(1)，101-110．
[8] 曹晋华，程侃．可靠性数学引论[M]．北京：科学出版社，1986．
[9] 曾声奎．系统可靠性设计分析教程[M]，北京：北京航空航天大学出版社，2001，16-22．
[10] 王洪德，姬长发．基于冷储备可修模型的矿井主扇系统可靠性分析[J]，西安科技学院学报2003(3)
[11] 赵榨成．矿井通风计算与程序设计[M]，云南：昆明科技出版社，1992．
[12] 王英敏．矿内空气动力学与矿井通风系统[M]．北京：冶金工业出版社，1994．
[13] 俞书伟，王新宁，时成忠，王会欣．综采工作面生产指标预测的改进型BP神经网络[J]，煤炭学报，1999(2)：132-136
[14] 薛河，龚晓燕．矿井局部通风系统可靠性定额的确定[J]，煤炭工程师，1996(5)，25-28
[15] 谭允桢．矿井通风系统优化[M]．北京：煤炭工业出版社，1992．
[16] 赵以蕙．矿井通风与空气调节[M]．中国矿业大学出版社，1983
[17] 王洪德，狄英权．用BP算法实现待开采煤层自然发火危险性预测[J]．辽宁工程技术大学学报，2002(3)
[18] 蒋仁言，左明健．可靠性模型与应用．北京：机械工业出版社，1999
[19] 王洪德，马云东．粗糙集理论在通风系统可靠性神经网络仿真研究中的应用[J]．辽宁工程技术大学学报，2003(3)
[20] 王洪德，马云东．采用模糊综合评价法判定矿井通风系统的可靠性[J]．煤矿开采，2002(2)
[21] 徐精彩，王华．煤自燃极限参数的神经网络预测方法[J]，煤炭学报，2002(4)：365-368
[22] 王洪德，马云东．基于故障统计模型的可修通风系统可靠性指标体系研究，煤炭学报，2003(6)
[23] 程远国，王德明．矿井通风系统可靠性研究[J]．太原理工大学学报，1998(4)．
[24] 黄化柏．煤矿主扇的安全可靠性[J]．煤矿安全，1996(3)：56-58．
[25] 李铁磊，陈开岩，陈发明．矿井巷道空气动力学老化对巷道风阻的影响[J]，中国矿业大学学报2001(3)
[26] 谭允祯．矿井通风系统管理技术理论[J]．北京：煤炭工业出版社，1998．6
[27] 李湖生．由通风网络结构数据自动生成曲线网络图[J]．煤矿安全1998(1)
[28] 钟茂华，陈宝智．矿井通风系统模糊可靠性研究[J]，中国安全科学学报，1996(6)：89-91．
[29] 贾进章，通风系统可靠性研究[D]．辽宁工程技术火学硕士学位论文．1999．4
[30] 金星，洪延姬．工程系统可靠性数值分析方法[M]，国防工业出版社．2002．7
[31] 童国栋，陆廷孝等．系统可靠性与维修性分析与设计[M]．北京：航空航天大学出版社．1990．
[32] 梅启智，廖炯生．系统可靠性工程基础[M]．北京：科学出版社1992．
[33] 徐瑞龙．通风网络的可靠度确定[J]，阜新矿业学院学报．1985．3
[34] 黄祥瑞．可靠性工程[M]，清华大学出版社1990．10
[35] 徐瑞龙．通风网路理论[M]煤炭工业出版社1993．4
[36] 张启宇，白冷．矿井通风系统可靠性的统计分析[J]．世界采矿快报 1996．17
[37] 赵永生．用逐步线性回归分析法确定矿井通风网路风流稳定性的主要影响风路[J]，山西煤炭，1987．4
[38] 王海桥．矿井通风网络的通风有效度分析[J]，煤炭工程师，1990．6
[39] 徐瑞龙，刘剑，井下通风构筑物的可靠性分析[J]，煤炭学报，1992．3
[40] 赵永生，许文兴等，通风网络灵敏度及衰减率的应用[J]，山西矿业学院学报，1993．12
[41] 吴勇华，通风系统灵敏度分析[J]，西安矿业学院学报，1992．3
[42] 王少萍，工程可靠性[M]，北京航天工业大学出版社，2000．6(12-13)
[43] 黄光球，陆秋琴，李金成．用粗糙集理论确定矿井通风经验公式的方法[J]，IM＆P化工矿物与加工，2003(7)：17-20
[44] 沈斐敏．矿井通风系统合理性的综合评判[J]．山东矿业学院学报，1986(2)：38～40．
[45] 张乃尧．神经网络与模糊控制[M]．北京：清华大学出版社，1999．184～196．
[46] 秦书玉等．煤矿井下内因火灾防治技术[M]，沈阳：东北大学出版社，1993．89～136．
[47] 丛爽．面向MATLAB工具箱的神经网络理论与应用．合肥：中国科技大学出版社，1998．45-73．
[48] 楼顺天，施阳．基于Matlab的系统分析与设计—神经网络[M]．两安：西安电子科技大学出版社，1998．
[49] 李耀勇，郑南宁．前馈神经网络的隐结点个数与网络推广能力的关系．西安交通大学学报，1996，30(9)
[50] 廖宁放，高稚允．BP神经网络用于函数逼近的最佳隐层结构[J]．北京理工大学学报，1998，18(4)
[51] 戴树森，费鹤良，等．可靠性试验及其统计分析(上册)[M]．北京：国防工业出版社，1983．
[52] 戴树森，费鹤良，等．可靠性试验及其统计分析(下册)[M]．北京：国防工业出版社，1984．
[53] Cox, D.R.and Hinkley. D.V.Theoretical Statistics.London:Chapman&Hall, 1974.
[54] De Finetti, B..Probability, Induction and statistics. Wiley, New York.1972.
[55] Cornfield, J. The Bayesian outlook and its applications.Biometrics, 1969, 25:617-657.
[56] 何振亚．神经智能[M]．湖南科学出版社，1997
[57] Gopathy Purushothaman, Nicolaos B.Karayiannis. Quantum Neural Networks: Inherently Fuzzy Feed forward Neural Networks, IEEE Trans. on Neural Networks, 1997,8(3):679-693
[58] 侯小梅，毛宗源．神经网络在汽轮发电机组故障诊断中的应用[j]．华南理工大学学报，1999，27(8)：46-49
[59] Su Muchun, Chang Hsiaote. Extracting Rules from Composite Neural Networks for Medical Diagnostic Problems. Neural Processing Letters, 1998,8(3):253-263
[60] R. Reiter. A theory of diagnosis from first principles[J]. Artificial Intelligence, 1987:57-95.
[61] 李化等．汽轮发电机组振动故障诊断中的改进算法[J]．重庆大学学报，1999，21(5)：47-52．
[62] Hammerstrom D. Working with neural networks. IEEE Spectrum, 1993,6:46-53.
[63] Pawlak Z. Rough Sets. International Joumal of Information and Computer Science.1982, Vol.11:341-356
[64] Zdizislaw Pawlak, Jerzy Grzymala-Busse. Rough sets. Communication of the ACM, 1995, 38(11):89-95
[65] Szladow A., Wojciech Ziarko. Rough sets: working with imperfect data[J]. AI Expert, 1993 (7):36-41
[66] 徐中立等．粗糙集在图像增强中的应用[J]．数据采集与处理，1999，14(3)：307-310
[67] 王珏，苗夺谦．关于Rough Set理论与应用的综述[J]．模式识别与人工智能，1996，9(4)：337-343
[68] Z.Pawlak.Rough sets and Fuzzy sets[J]. Fuzzy Sets and Systems 17,1985,:99-102
[69] S. Nanda,S. Majumdar.Fuzzy rough sets[J]. Fuzzy Sets and Systems45,1992,17:157-160
[70] Mohua Banerjee, Sankar K. Pal. Roughness of a Fuzzy set[J], Informatics and computer science 93, 1996:235-246
[71] 谢克明，杨静．粗糙集理论及其在智能控制领域的应用前景[J]．太原理工大学学报，1999(4)：338-342
[72] 韩祯祥，张琦，文福拴．粗糙集理论及其应用综述[J]．控制理论与应用．1999，16(2)：153-157
[73] 陈遵德．Rough Set神经网络智能系统及其应用[J]．模式识别与人工智能，1999，12(1)：1-5
[74] 李永敏等．基于粗糙集理论的数据挖掘模型[J]．清华火学学报，1999，39(1)：110-114
[75] Tsumoto Shetal.Extraction of domain knowledge from database based on rough set theory[J]. IEEE International Conference on Fuzzy Systems, New Jersey, 1996:96-105
[76] 张琦，韩祯祥，文福拴．一种基于粗糙集方法的电力系统故障诊断／警报处理的新方法[J]．中国电力，1998，31(4)：32-38
[77] 曹龙汉，曹长修，孙颖楷，张邦礼．基于粗糙集理论的板坯缺陷诊断及预报系统[J]．重庆大学学报，2001，24(1)
[78] Liang Jiye, Li Deyu. Information Measures of Roughness of Knowledge and Significance of Attribute in Rough Set Theory[J]. JOURNAL of ENGINEERING MATHEMATICS.2000,17(5):106-108
[79] 曾黄麟．粗集理论及其应用[M]．重庆大学出版社，1996
[80] 刘清．Rough集及Rough推理[M]，北京，科学出版社，2003．8：11-38
[81] 王国胤．Rough集理论与知识获取[M]，西安，西安交通人学出版社，2003．3：117-145
[82] Vibration Analysis using Rosetta[J]. Project Report of NTNU, 1999
[83] Z.Pawlak.Rough Classification[J].Intelligence Journal of Man-Machine Studies,1984(2):469-453
[84] Rosetta Technical Reference Manual. Knowledge System Group, 1999
[85] 常犁云，王国胤．一种基于Rough Set理论的属性约简及规则提取方法[J]．软件学报．1999，10：1206-1211
[86] Andrzej Skowron, Hung Son Nguyen. Bool reasoning scheme with some application in data mining[J]. PKDD,1999
[87] Ron Kohavi, Brian Frasca. Useful Feature Subsets and Rough Set Reducts[J]. RSSC, 1994
[88] 王军．数据库知识发现的研究[D]：[博士学位论文]．北京：中国科学院计算所，1997．
[89] 高毅龙．数据挖掘及其在工程诊断中的应用[D]：[博士学位论文]．西安：西安交通大学，2000
[90] 何雨傧等．基于神经网络的电机状态监测与早期故障诊断[J]．电工技术学报，1997，12(5)41-44
[91] Sun Yingkai, Cao Longhan, Cao Changxiu. Slab Defect Diagnosis and Predicting system in CC Processing Based on Rough Set Theory.WCICA,2000
[92] 孙颖楷，陈海．粗糙集理论在故障诊断中的作用．中国自动化学会，中国仪器仪表学会，2000年西南三省一市学术年会论文集．
[93] 孙颖楷，张邦礼，曹龙汉，曹长修．基于粗糙集理论的人工神经网络故障诊断系统[J]．重庆大学学报，2000，23(6)
[94] 曹长修，孙颖楷，曹龙汉，张邦礼．基于粗集理论的故障诊断专家系统[J]．重庆大学学报，2001，24(4)
[95] Sun Yingkai, Cao Changxiu, Cao Longhan, Zhang Bangli. Application of Rough Set Theory in Layered-mining Artificial Neural Network. ICYCS, 2001
[96] Z.Pawlak, Rough Sets [J], International journal of information and Computer Science,1982,11: 341-356.
[97] Duntschh.J, Gediga.G, Statistical evaluation of Rough set dependency analysis. International Journal of Human Computer Study, 1997,46(5):589-604.
[98] 苗夺谦，王珏．粗糙集理论中概念与运算的信息表示[J]，软件学报 1999(2)：113-116
[99] 王洪德，狄英权．用BP算法实现待开采煤层自然发火危险性预测[J]，辽宁工程技术大学学报，2002(3)
[100] 曾黄鹤，粗糙集理论及其应用[M]，重庆：重庆大学出版社，1998．
[101] 唐建国，租糙集理论决策推理时样本缺损的处理方法[J]，重庆三峡学院学报，2000(5)：78-80．
[102] 吴立中．矿井通风与安全[M]．徐州：中国矿业大学出版社，1989：13-16、106．107、346
[103] 董星，段雄，辛承梁．矿井主通风机叶轮磨损失效的评价[J]，中国安全科学学报，2002(2)：35-37
[104] Marvin Rausand. Reliability Centered Maintenance. Reliability Engineering and System Safety. 1998:121-132
[105] Harold E ASCHER. Reliability models for repairable system[C].Reliability Technology & Applications. 1986:3-5
[106] 陆永耕．矿井风机风量参数实时动态监测系统[J]．煤矿自动化，2000，(2)
[107] 胡桃元，吴中立，李西才．矿井主扇风量的静压差测量法及风量风压仪的研制[J]．华东交通大学学报，1997(2)
[108] 贾进章，周西华，刘剑．风机特性曲线数据拟合最佳次数的确定[J]，辽宁工程技术大学学报，2000(5)
[109] 陈家鼎．生存分析与可靠性理论[M]，合肥安徽教育出版社，1992
[110] 戴树森．可靠性试验及其统计分析[M]，国防工业出版社，1983
[111] Lee J.Bain.Statistical analysis of reliability & life-testing models[J]. Theory and Method. 1992
[112] 课题组．神东矿区重点煤矿通风系统可靠性研究报告2002，12：41-43
[113] M.S.Howarth, S.W.Searcy. Comparison of Bayesian and neural network classifiers for grading carrots ASAE Paper, 1971 (2)
[114] 张宜华．精通MATLAB5.3[M]，北京航空航天大学出版社，2000，8
[115] 尚涛，石端伟．工程计算可视化与MATLAB实现[M]，武汉大学出版社，2002，1
[116] MATLAB教程．基于6.0版本[M]，北京航空航天大学出版社，2001，4
[117] 钱大群，孙振飞．神经网络的知识获取与行为解释[J]．自动化学报，1994(3)348-351
[118] 谭民，疏松桂．基于神元网络的控制系统故障诊断[J]．控制与决策，1990(1)58-64
[119] 宋年秀，王耀斌．大修汽车可靠性分析中故障分布规律的研究[J]，农业机械学报 1999(3)：93-96
[120] 冯振宇．可靠性模型的选择问题[J]，西南交通大学学报，1996(3)，238-247
[121] 刘峰，何真，曹止清．机械可靠性数据处理中优选分布类型的探讨[J]，机械设计与制造 1998(6)：3-5
[122] 郭章林，胡云吕，余建星．可用度与可修工程系统的可靠性[J]，石油机械 1999(3)
[123] 孔德良，王少萍．可修系统的可用度分析方法研究[J]，北京航空航天大学学报，2002(2)
[124] 集体编制．神东矿区大柳塔煤矿通风系统改造报告，大柳塔煤矿通风区 2001
[125] 何国伟．机电产品的可靠性[M]，上海科学技术出版社，1989
[126] 何国伟．可靠性试验技术[M]，国防工业出版社，1995
[127] 郭斯旭，吴振坤，刘其忠，徐连胜．矿井通风中要重视的几个问题[J]，矿山环保2001(2)，31-32
[128] 赵卫东，陈国华．粗集与神经网络的集成技术研究[J]．系统工程与电子技术：2002(10)
[129] 胡可云．粗集理论及其应用进展．清华大学学报(自然科学版)[J]，2001第41卷1期．
[130] 张琦，韩祯祥，文福拴．一种基于粗糙集方法的电力系统故障诊断／警报处理的新方法[J]．中国电力，1998 31(4)：32-38．
[131] 鲍晓红，贾英民．用神经元网络辨识非线性系统中的网络结构选择[J]．控制理论与应用，1997(4)：489-494
[132] 邝孔武，王晓敏．信息系统分析与设计[M]．清华大学出版社，1999
[133] 易宏，袁远．一种新的系统预防性维修策略[J]．系统工程与电子技术，1996．9：76-81
[134] 郭永基．可靠性工程原理[M]．清华大学出版社，2002(1)：62-76
[135] 蔡自兴．人工智能及其应用[M]．清华大学出版社，2000．1
[136] 姜华，余群，曹正清，牛勇．基于随机过程理论的复杂可修系统可靠性规律研究[J]，质量与可靠技术，2003(9)：30-34
[137] R.E.Barlow&L.hunter. Optimum Preventive Maintenance Policies. Operations Res. vol8,1960:90-100
[138] W.A.Thompson, Jr. On the Foundation of Reliabilily.Technometrics, 1981: 1-13
[139] J.F.Lawless. Statistical Mode I S and Methods for Lifetime Data. John Wiley. New York. 1982
[140] R.L.Prentice, B.J.Williams&A.V.Peterson. On the Regression Analysis of Multivariate Failure Time Data.Biometrika, 1981:373-379
[141] M.Th.Schilling,J.F.De Queiroz,C.Singh&H.Ascher.Detection of aging in Reliability Analysis of thermal Generators.IEEE Trans. Power System. vol.3, No.2, May, 1988:490-499
[142] 马云东，胡明东，孙保铮．回采工作系统模糊随机可靠性分析[J]，煤炭学报，1995(6)：608-612
[143] 朱川曲．矿井采运提系统可靠性模型及分析[J]，煤炭学报，1997(4)：415-420
[144] 张文军，欧泽深．选煤工艺系统的可靠性设计与可靠度分配[J]．煤炭学报，2000(5)：542-546
[145] 罗善明．综放工作面采支速度比的可靠性分析[J]，湘潭矿业学院学报，2001(3)：40-42
[146] 景国勋，冯长根．井下运输系统环境状况的灰色聚类分析[J]，煤炭学报，2000(2)：181-184
[147] Nejman D.A rough set based method of handwritten numerals classification. Institute of Computer Science Reports,Warsaw University of Technology,Warsaw, 1994
[148] Hu Xiaohua. Mining knowledge rules from databases-a rough set approach. Proc. of IEEE International Conference on Data Engineering, Los Alamitos, 1996:96-105
[149] Peng Cetal. Multi valued neural network and the knowledge acquisition method by the rough sets for ambiguous recognition problem. Proc. of the IEEE International Conference on Systems, Manand Cybernetics, Beijing, 1996, 736-740
[150] Yasdi R. Combining rough sets learning and neural learning method to deal with uncertain and imprecise information. Neural computing, 1995,7(1):61-84
[151] Tsumoto Shetal. Automated discovery of medical expert system rules from clinical databases based on rough sets. Proc. of Second International Conf. on Knowledge Discovery and Data Mining, USA, 1996:63-72
[152] Jelonek Jetal. Rough set reduction of attributes and their domains for neural networks. Computational Intelligence, 1995, 11(2):339-347
[153] Slowinski R. Rough set approach to decision analysis. AI Expert, March 1995:19-25
[154] Pawlak Z. Rough set approach to knowledge based decision support. Institute of Computer Science Reports. Warsaw University of Technology, Warsaw, 1995
[155] Slowinski Tetal. Rough set sorting of firms according to bankruptcy risk. In Applying Multiple Criteria aid for Decision to Environment Management, Dordrecht: Kluwer Academic Publishers,1994,339-357
[156] R．A．霍尔，皇后大学L．K．戴恩什门德．可靠性分析技术作为露天采矿设备评价与选型的工具[J]，安全学报，2002(3)：60-65
[157] E.Simode. Simulation of thermal & aerodynamic effects of a fire in a complex underground ventilation network.2nd Mine Ventilation Congress, 1979
[158] W.Dziurzynski, W.Trutwin. A Simulation of mine fires. 4th Mine Ventilation Congress. 1985:276-281
[2] Lowndes L.S. et al., Review of Mine Ventilation System Optimization. Transactions of Institution of Mining and metallurgy, Section A: Mine Industry. Vol. 105, May/A ugust, 1996,A 114-A 126.
[3] Tiwari R. K, Werma M. An Algebraic Technique for reliability evaluation[J]. IEEE trans. Reliability 1980 R-29,310-313.
[4] Hariri S. A Symbolic Reliability algorithm based on path and cutest methods[J]. IEEE Trans. Computers, 1987,R-36:34-37.
[5] Fong C C,Buzacott J A. An algorithm for Symbolic Reliability computation with path-sets or cut-sets. IEEE Trans. Reliability, 1987,C-36(10),12-24.
[6] 肖德辉．可靠性工程，宇航出版社[M]，1985，(16-20)．
[7] 史定华．计算可修系统在[O，t]中平均故障次数的新方法[J]．应用数学学报，1985(1)，101-110．
[8] 曹晋华，程侃．可靠性数学引论[M]．北京：科学出版社，1986．
[9] 曾声奎．系统可靠性设计分析教程[M]，北京：北京航空航天大学出版社，2001，16-22．
[10] 王洪德，姬长发．基于冷储备可修模型的矿井主扇系统可靠性分析[J]，西安科技学院学报2003(3)
[11] 赵榨成．矿井通风计算与程序设计[M]，云南：昆明科技出版社，1992．
[12] 王英敏．矿内空气动力学与矿井通风系统[M]．北京：冶金工业出版社，1994．
[13] 俞书伟，王新宁，时成忠，王会欣．综采工作面生产指标预测的改进型BP神经网络[J]，煤炭学报，1999(2)：132-136
[14] 薛河，龚晓燕．矿井局部通风系统可靠性定额的确定[J]，煤炭工程师，1996(5)，25-28
[15] 谭允桢．矿井通风系统优化[M]．北京：煤炭工业出版社，1992．
[16] 赵以蕙．矿井通风与空气调节[M]．中国矿业大学出版社，1983
[17] 王洪德，狄英权．用BP算法实现待开采煤层自然发火危险性预测[J]．辽宁工程技术大学学报，2002(3)
[18] 蒋仁言，左明健．可靠性模型与应用．北京：机械工业出版社，1999
[19] 王洪德，马云东．粗糙集理论在通风系统可靠性神经网络仿真研究中的应用[J]．辽宁工程技术大学学报，2003(3)
[20] 王洪德，马云东．采用模糊综合评价法判定矿井通风系统的可靠性[J]．煤矿开采，2002(2)
[21] 徐精彩，王华．煤自燃极限参数的神经网络预测方法[J]，煤炭学报，2002(4)：365-368
[22] 王洪德，马云东．基于故障统计模型的可修通风系统可靠性指标体系研究，煤炭学报，2003(6)
[23] 程远国，王德明．矿井通风系统可靠性研究[J]．太原理工大学学报，1998(4)．
[24] 黄化柏．煤矿主扇的安全可靠性[J]．煤矿安全，1996(3)：56-58．
[25] 李铁磊，陈开岩，陈发明．矿井巷道空气动力学老化对巷道风阻的影响[J]，中国矿业大学学报2001(3)
[26] 谭允祯．矿井通风系统管理技术理论[J]．北京：煤炭工业出版社，1998．6
[27] 李湖生．由通风网络结构数据自动生成曲线网络图[J]．煤矿安全1998(1)
[28] 钟茂华，陈宝智．矿井通风系统模糊可靠性研究[J]，中国安全科学学报，1996(6)：89-91．
[29] 贾进章，通风系统可靠性研究[D]．辽宁工程技术火学硕士学位论文．1999．4
[30] 金星，洪延姬．工程系统可靠性数值分析方法[M]，国防工业出版社．2002．7
[31] 童国栋，陆廷孝等．系统可靠性与维修性分析与设计[M]．北京：航空航天大学出版社．1990．
[32] 梅启智，廖炯生．系统可靠性工程基础[M]．北京：科学出版社1992．
[33] 徐瑞龙．通风网络的可靠度确定[J]，阜新矿业学院学报．1985．3
[34] 黄祥瑞．可靠性工程[M]，清华大学出版社1990．10
[35] 徐瑞龙．通风网路理论[M]煤炭工业出版社1993．4
[36] 张启宇，白冷．矿井通风系统可靠性的统计分析[J]．世界采矿快报 1996．17
[37] 赵永生．用逐步线性回归分析法确定矿井通风网路风流稳定性的主要影响风路[J]，山西煤炭，1987．4
[38] 王海桥．矿井通风网络的通风有效度分析[J]，煤炭工程师，1990．6
[39] 徐瑞龙，刘剑，井下通风构筑物的可靠性分析[J]，煤炭学报，1992．3
[40] 赵永生，许文兴等，通风网络灵敏度及衰减率的应用[J]，山西矿业学院学报，1993．12
[41] 吴勇华，通风系统灵敏度分析[J]，西安矿业学院学报，1992．3
[42] 王少萍，工程可靠性[M]，北京航天工业大学出版社，2000．6(12-13)
[43] 黄光球，陆秋琴，李金成．用粗糙集理论确定矿井通风经验公式的方法[J]，IM＆P化工矿物与加工，2003(7)：17-20
[44] 沈斐敏．矿井通风系统合理性的综合评判[J]．山东矿业学院学报，1986(2)：38～40．
[45] 张乃尧．神经网络与模糊控制[M]．北京：清华大学出版社，1999．184～196．
[46] 秦书玉等．煤矿井下内因火灾防治技术[M]，沈阳：东北大学出版社，1993．89～136．
[47] 丛爽．面向MATLAB工具箱的神经网络理论与应用．合肥：中国科技大学出版社，1998．45-73．
[48] 楼顺天，施阳．基于Matlab的系统分析与设计—神经网络[M]．两安：西安电子科技大学出版社，1998．
[49] 李耀勇，郑南宁．前馈神经网络的隐结点个数与网络推广能力的关系．西安交通大学学报，1996，30(9)
[50] 廖宁放，高稚允．BP神经网络用于函数逼近的最佳隐层结构[J]．北京理工大学学报，1998，18(4)
[51] 戴树森，费鹤良，等．可靠性试验及其统计分析(上册)[M]．北京：国防工业出版社，1983．
[52] 戴树森，费鹤良，等．可靠性试验及其统计分析(下册)[M]．北京：国防工业出版社，1984．
[53] Cox, D.R.and Hinkley. D.V.Theoretical Statistics.London:Chapman&Hall, 1974.
[54] De Finetti, B..Probability, Induction and statistics. Wiley, New York.1972.
[55] Cornfield, J. The Bayesian outlook and its applications.Biometrics, 1969, 25:617-657.
[56] 何振亚．神经智能[M]．湖南科学出版社，1997
[57] Gopathy Purushothaman, Nicolaos B.Karayiannis. Quantum Neural Networks: Inherently Fuzzy Feed forward Neural Networks, IEEE Trans. on Neural Networks, 1997,8(3):679-693
[58] 侯小梅，毛宗源．神经网络在汽轮发电机组故障诊断中的应用[j]．华南理工大学学报，1999，27(8)：46-49
[59] Su Muchun, Chang Hsiaote. Extracting Rules from Composite Neural Networks for Medical Diagnostic Problems. Neural Processing Letters, 1998,8(3):253-263
[60] R. Reiter. A theory of diagnosis from first principles[J]. Artificial Intelligence, 1987:57-95.
[61] 李化等．汽轮发电机组振动故障诊断中的改进算法[J]．重庆大学学报，1999，21(5)：47-52．
[62] Hammerstrom D. Working with neural networks. IEEE Spectrum, 1993,6:46-53.
[63] Pawlak Z. Rough Sets. International Joumal of Information and Computer Science.1982, Vol.11:341-356
[64] Zdizislaw Pawlak, Jerzy Grzymala-Busse. Rough sets. Communication of the ACM, 1995, 38(11):89-95
[65] Szladow A., Wojciech Ziarko. Rough sets: working with imperfect data[J]. AI Expert, 1993 (7):36-41
[66] 徐中立等．粗糙集在图像增强中的应用[J]．数据采集与处理，1999，14(3)：307-310
[67] 王珏，苗夺谦．关于Rough Set理论与应用的综述[J]．模式识别与人工智能，1996，9(4)：337-343
[68] Z.Pawlak.Rough sets and Fuzzy sets[J]. Fuzzy Sets and Systems 17,1985,:99-102
[69] S. Nanda,S. Majumdar.Fuzzy rough sets[J]. Fuzzy Sets and Systems45,1992,17:157-160
[70] Mohua Banerjee, Sankar K. Pal. Roughness of a Fuzzy set[J], Informatics and computer science 93, 1996:235-246
[71] 谢克明，杨静．粗糙集理论及其在智能控制领域的应用前景[J]．太原理工大学学报，1999(4)：338-342
[72] 韩祯祥，张琦，文福拴．粗糙集理论及其应用综述[J]．控制理论与应用．1999，16(2)：153-157
[73] 陈遵德．Rough Set神经网络智能系统及其应用[J]．模式识别与人工智能，1999，12(1)：1-5
[74] 李永敏等．基于粗糙集理论的数据挖掘模型[J]．清华火学学报，1999，39(1)：110-114
[75] Tsumoto Shetal.Extraction of domain knowledge from database based on rough set theory[J]. IEEE International Conference on Fuzzy Systems, New Jersey, 1996:96-105
[76] 张琦，韩祯祥，文福拴．一种基于粗糙集方法的电力系统故障诊断／警报处理的新方法[J]．中国电力，1998，31(4)：32-38
[77] 曹龙汉，曹长修，孙颖楷，张邦礼．基于粗糙集理论的板坯缺陷诊断及预报系统[J]．重庆大学学报，2001，24(1)
[78] Liang Jiye, Li Deyu. Information Measures of Roughness of Knowledge and Significance of Attribute in Rough Set Theory[J]. JOURNAL of ENGINEERING MATHEMATICS.2000,17(5):106-108
[79] 曾黄麟．粗集理论及其应用[M]．重庆大学出版社，1996
[80] 刘清．Rough集及Rough推理[M]，北京，科学出版社，2003．8：11-38
[81] 王国胤．Rough集理论与知识获取[M]，西安，西安交通人学出版社，2003．3：117-145
[82] Vibration Analysis using Rosetta[J]. Project Report of NTNU, 1999
[83] Z.Pawlak.Rough Classification[J].Intelligence Journal of Man-Machine Studies,1984(2):469-453
[84] Rosetta Technical Reference Manual. Knowledge System Group, 1999
[85] 常犁云，王国胤．一种基于Rough Set理论的属性约简及规则提取方法[J]．软件学报．1999，10：1206-1211
[86] Andrzej Skowron, Hung Son Nguyen. Bool reasoning scheme with some application in data mining[J]. PKDD,1999
[87] Ron Kohavi, Brian Frasca. Useful Feature Subsets and Rough Set Reducts[J]. RSSC, 1994
[88] 王军．数据库知识发现的研究[D]：[博士学位论文]．北京：中国科学院计算所，1997．
[89] 高毅龙．数据挖掘及其在工程诊断中的应用[D]：[博士学位论文]．西安：西安交通大学，2000
[90] 何雨傧等．基于神经网络的电机状态监测与早期故障诊断[J]．电工技术学报，1997，12(5)41-44
[91] Sun Yingkai, Cao Longhan, Cao Changxiu. Slab Defect Diagnosis and Predicting system in CC Processing Based on Rough Set Theory.WCICA,2000
[92] 孙颖楷，陈海．粗糙集理论在故障诊断中的作用．中国自动化学会，中国仪器仪表学会，2000年西南三省一市学术年会论文集．
[93] 孙颖楷，张邦礼，曹龙汉，曹长修．基于粗糙集理论的人工神经网络故障诊断系统[J]．重庆大学学报，2000，23(6)
[94] 曹长修，孙颖楷，曹龙汉，张邦礼．基于粗集理论的故障诊断专家系统[J]．重庆大学学报，2001，24(4)
[95] Sun Yingkai, Cao Changxiu, Cao Longhan, Zhang Bangli. Application of Rough Set Theory in Layered-mining Artificial Neural Network. ICYCS, 2001
[96] Z.Pawlak, Rough Sets [J], International journal of information and Computer Science,1982,11: 341-356.
[97] Duntschh.J, Gediga.G, Statistical evaluation of Rough set dependency analysis. International Journal of Human Computer Study, 1997,46(5):589-604.
[98] 苗夺谦，王珏．粗糙集理论中概念与运算的信息表示[J]，软件学报 1999(2)：113-116
[99] 王洪德，狄英权．用BP算法实现待开采煤层自然发火危险性预测[J]，辽宁工程技术大学学报，2002(3)
[100] 曾黄鹤，粗糙集理论及其应用[M]，重庆：重庆大学出版社，1998．
[101] 唐建国，租糙集理论决策推理时样本缺损的处理方法[J]，重庆三峡学院学报，2000(5)：78-80．
[102] 吴立中．矿井通风与安全[M]．徐州：中国矿业大学出版社，1989：13-16、106．107、346
[103] 董星，段雄，辛承梁．矿井主通风机叶轮磨损失效的评价[J]，中国安全科学学报，2002(2)：35-37
[104] Marvin Rausand. Reliability Centered Maintenance. Reliability Engineering and System Safety. 1998:121-132
[105] Harold E ASCHER. Reliability models for repairable system[C].Reliability Technology & Applications. 1986:3-5
[106] 陆永耕．矿井风机风量参数实时动态监测系统[J]．煤矿自动化，2000，(2)
[107] 胡桃元，吴中立，李西才．矿井主扇风量的静压差测量法及风量风压仪的研制[J]．华东交通大学学报，1997(2)
[108] 贾进章，周西华，刘剑．风机特性曲线数据拟合最佳次数的确定[J]，辽宁工程技术大学学报，2000(5)
[109] 陈家鼎．生存分析与可靠性理论[M]，合肥安徽教育出版社，1992
[110] 戴树森．可靠性试验及其统计分析[M]，国防工业出版社，1983
[111] Lee J.Bain.Statistical analysis of reliability & life-testing models[J]. Theory and Method. 1992
[112] 课题组．神东矿区重点煤矿通风系统可靠性研究报告2002，12：41-43
[113] M.S.Howarth, S.W.Searcy. Comparison of Bayesian and neural network classifiers for grading carrots ASAE Paper, 1971 (2)
[114] 张宜华．精通MATLAB5.3[M]，北京航空航天大学出版社，2000，8
[115] 尚涛，石端伟．工程计算可视化与MATLAB实现[M]，武汉大学出版社，2002，1
[116] MATLAB教程．基于6.0版本[M]，北京航空航天大学出版社，2001，4
[117] 钱大群，孙振飞．神经网络的知识获取与行为解释[J]．自动化学报，1994(3)348-351
[118] 谭民，疏松桂．基于神元网络的控制系统故障诊断[J]．控制与决策，1990(1)58-64
[119] 宋年秀，王耀斌．大修汽车可靠性分析中故障分布规律的研究[J]，农业机械学报 1999(3)：93-96
[120] 冯振宇．可靠性模型的选择问题[J]，西南交通大学学报，1996(3)，238-247
[121] 刘峰，何真，曹止清．机械可靠性数据处理中优选分布类型的探讨[J]，机械设计与制造 1998(6)：3-5
[122] 郭章林，胡云吕，余建星．可用度与可修工程系统的可靠性[J]，石油机械 1999(3)
[123] 孔德良，王少萍．可修系统的可用度分析方法研究[J]，北京航空航天大学学报，2002(2)
[124] 集体编制．神东矿区大柳塔煤矿通风系统改造报告，大柳塔煤矿通风区 2001
[125] 何国伟．机电产品的可靠性[M]，上海科学技术出版社，1989
[126] 何国伟．可靠性试验技术[M]，国防工业出版社，1995
[127] 郭斯旭，吴振坤，刘其忠，徐连胜．矿井通风中要重视的几个问题[J]，矿山环保2001(2)，31-32
[128] 赵卫东，陈国华．粗集与神经网络的集成技术研究[J]．系统工程与电子技术：2002(10)
[129] 胡可云．粗集理论及其应用进展．清华大学学报(自然科学版)[J]，2001第41卷1期．
[130] 张琦，韩祯祥，文福拴．一种基于粗糙集方法的电力系统故障诊断／警报处理的新方法[J]．中国电力，1998 31(4)：32-38．
[131] 鲍晓红，贾英民．用神经元网络辨识非线性系统中的网络结构选择[J]．控制理论与应用，1997(4)：489-494
[132] 邝孔武，王晓敏．信息系统分析与设计[M]．清华大学出版社，1999
[133] 易宏，袁远．一种新的系统预防性维修策略[J]．系统工程与电子技术，1996．9：76-81
[134] 郭永基．可靠性工程原理[M]．清华大学出版社，2002(1)：62-76
[135] 蔡自兴．人工智能及其应用[M]．清华大学出版社，2000．1
[136] 姜华，余群，曹正清，牛勇．基于随机过程理论的复杂可修系统可靠性规律研究[J]，质量与可靠技术，2003(9)：30-34
[137] R.E.Barlow&L.hunter. Optimum Preventive Maintenance Policies. Operations Res. vol8,1960:90-100
[138] W.A.Thompson, Jr. On the Foundation of Reliabilily.Technometrics, 1981: 1-13
[139] J.F.Lawless. Statistical Mode I S and Methods for Lifetime Data. John Wiley. New York. 1982
[140] R.L.Prentice, B.J.Williams&A.V.Peterson. On the Regression Analysis of Multivariate Failure Time Data.Biometrika, 1981:373-379
[141] M.Th.Schilling,J.F.De Queiroz,C.Singh&H.Ascher.Detection of aging in Reliability Analysis of thermal Generators.IEEE Trans. Power System. vol.3, No.2, May, 1988:490-499
[142] 马云东，胡明东，孙保铮．回采工作系统模糊随机可靠性分析[J]，煤炭学报，1995(6)：608-612
[143] 朱川曲．矿井采运提系统可靠性模型及分析[J]，煤炭学报，1997(4)：415-420
[144] 张文军，欧泽深．选煤工艺系统的可靠性设计与可靠度分配[J]．煤炭学报，2000(5)：542-546
[145] 罗善明．综放工作面采支速度比的可靠性分析[J]，湘潭矿业学院学报，2001(3)：40-42
[146] 景国勋，冯长根．井下运输系统环境状况的灰色聚类分析[J]，煤炭学报，2000(2)：181-184
[147] Nejman D.A rough set based method of handwritten numerals classification. Institute of Computer Science Reports,Warsaw University of Technology,Warsaw, 1994
[148] Hu Xiaohua. Mining knowledge rules from databases-a rough set approach. Proc. of IEEE International Conference on Data Engineering, Los Alamitos, 1996:96-105
[149] Peng Cetal. Multi valued neural network and the knowledge acquisition method by the rough sets for ambiguous recognition problem. Proc. of the IEEE International Conference on Systems, Manand Cybernetics, Beijing, 1996, 736-740
[150] Yasdi R. Combining rough sets learning and neural learning method to deal with uncertain and imprecise information. Neural computing, 1995,7(1):61-84
[151] Tsumoto Shetal. Automated discovery of medical expert system rules from clinical databases based on rough sets. Proc. of Second International Conf. on Knowledge Discovery and Data Mining, USA, 1996:63-72
[152] Jelonek Jetal. Rough set reduction of attributes and their domains for neural networks. Computational Intelligence, 1995, 11(2):339-347
[153] Slowinski R. Rough set approach to decision analysis. AI Expert, March 1995:19-25
[154] Pawlak Z. Rough set approach to knowledge based decision support. Institute of Computer Science Reports. Warsaw University of Technology, Warsaw, 1995
[155] Slowinski Tetal. Rough set sorting of firms according to bankruptcy risk. In Applying Multiple Criteria aid for Decision to Environment Management, Dordrecht: Kluwer Academic Publishers,1994,339-357
[156] R．A．霍尔，皇后大学L．K．戴恩什门德．可靠性分析技术作为露天采矿设备评价与选型的工具[J]，安全学报，2002(3)：60-65
[157] E.Simode. Simulation of thermal & aerodynamic effects of a fire in a complex underground ventilation network.2nd Mine Ventilation Congress, 1979
[158] W.Dziurzynski, W.Trutwin. A Simulation of mine fires. 4th Mine Ventilation Congress. 1985:276-281