故障诊断中聚类融合算法改进

近年来,数据挖掘技术已广泛应用于故障诊断领域.聚类分析作为数据挖掘的一项重要手段,在智能诊断中具有重要研究价值.2002年,聚类融合算法已经提出就得到广泛关注,成为聚类分析研究的新热点.文章在聚类融合算法的基础上,重点研究了聚类成员差异引起不同融合效果的问题,分析了K-means算法中聚类个数同融合质量的关系,提出一种改进算法ICEA(An Improved Clustering Ensemble Algorithm),旨在进一步提高聚类融合算法的鲁棒性和精确度,提高故障诊断的准确性.ICEA中通过函数对各聚类成员加权,减少"恶劣"聚类成员对融合结果的影响;并以差异度为指标制定循环终止条件.实验证明,该算法在准确性及鲁棒性上均优于原算法.     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

基于属性相似度与聚类的知识服务匹配研究

针对云制造环境下产品研发知识服务匹配问题,在对知识资源属性详细描述的基础上,文章提出基于属性相似度衡量知识服务资源间的差异性,以达到知识服务匹配的精准性。基于相似度,以改进的K-means聚类算法对知识服务资源聚类,形成属性相近的类簇;基于可拓论完成类簇的初选,在类簇中完成知识服务匹配,以减小知识服务匹配的搜索空间。仿真结果表明,基于属性相似度与改进K-means聚类的知识服务匹配策略可极大提升知识服务匹配的效率,有效解决知识服务匹配问题。     

基于粗糙集理论与聚类算法的加工中心可靠性综合评价研究

针对数控机床可靠性综合评价中指标选取不一、需要大量先验知识等不足，提出一种粗糙集与K-means聚类算法相结合的评价方法。建立原始评价指标体系，通过K-means聚类算法与Silhouetta指标对各指标值进行离散化处理，并运用粗糙集理论约简冗余指标，构造动态评价指标体系。根据属性重要度定义对约简后的指标客观赋权，构建粗糙集聚类可靠性综合评价模型。结果表明：所提出的方法合理、有效。     

网格细化小波聚类在航空发动机转子系统故障诊断中的应用

为了能够更加准确地判断出故障类型、提高聚类精度,对故障诊断准确度即聚类精度进行分析之后,提出了网格细化的小波聚类算法,即将网格拆分技术运用到小波聚类算法,对算法运行过程中的特征空间网格单元进行"网格细化"以此来对边界点进行提取,并对改进前后算法的聚类精度进行验证。结果表明:改进后的小波聚类算法能够得到比原始小波聚类算法更加精确的聚类结果。     

一种基于聚类融合和最小生成树的重叠社交网络划分方法（英文）

为解决重叠社交网络划分过程中涉及群体内容私密性的问题,提出一种基于聚类和最小生成树的社交网络划分方法。该方法首先以社交网络固有特征——成员之间联系的紧密度等属性来衡量节点之间的距离,然后使用K-means算法产生初始聚类,并将聚类结果表述为矩阵和不带环无向图的形式,并对无向图采用Prim算法得出最小生成树,删减最小生成树中距离较远的K条边得到K个最小生成树,最后利用相似度解决离群点以及重叠点的社交网络成员的归属。实验表明:该算法并未涉及社交网络成员的隐私,得到的社区结构质量较高,并有效地考虑了重叠社区成员以及孤立成员的划分。     

基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7 帧/s,验证了改进算法的有效性。     

基于AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。     

基于竞争神经网络的全局K-Medoids聚类算法研究

针对全局K-Medoids算法在处理大规模数据聚类分析时搜索效率低的问题,提出了基于竞争神经网络的全局K-Medoids聚类算法。由于神经网络算法对输入模式要求为数值向量,不适合处理文本序列数据的聚类问题,通过定义文本序列数据在聚类分析时的属性描述方式,利用竞争神经网络对数据进行初始分类,在此基础上运行全局K-Medoids算法进行详细的分类,使算法适合于处理文本序列数据聚类问题。文章分别利用UCI数据库中的8组实验数据和机械加工企业工艺数据中的工艺路线数据进行算法验证,结果证明该方法的效率和精度均高于K-Medoids算法和全局K-Medoids算法。     

基于指定聚类数目AP算法的滚动轴承故障诊断

仿射传播算法(AP)是目前常用的无监督聚类算法,但对于滚动轴承故障数据等数据集,AP算法往往不能一次性得到理想的聚类结果。针对AP算法在指定聚类数目下,不同的偏向度有不同聚类精度的问题,提出指定聚类数目AP算法(SNAP),该算法目的是在指定的聚类数目下,找出对应的所有聚类结果,通过聚类结果评价指标轮廓系数,找出最佳的聚类结果。该算法用机器学习公开数据集和机械综合故障模拟实验平台采集的滚动轴承数据集进行了实例验证,并与K-Means、K-medoids、AP聚类算法得到的聚类结果通过聚类评价指标进行比较,结果表明所提算法能得到较好的聚类结果。指定聚类数目AP算法能解决原AP算法在滚动轴承数据聚类数目与实际样本类别数不一致的问题,并且能得到一个更好的聚类结果。     

基于多值属性Apriori算法的飞机IDG故障分析

为了更为高效地挖掘海量航空维修数据中隐含的信息,提升飞机故障分析能力及深度维修能力,通过轮廓系数K-means聚类和多值属性Apriori关联规则算法挖掘飞机IDG部件各故障因素之间的关联规则。首先,采集B737飞机故障维修数据,进行预处理并筛选出与IDG部件相关的故障数据信息;其次,利用K-means聚类和多值属性Apriori关联规则算法对IDG部件故障数据进行聚类分析和关联规则挖掘,得到主要故障现象及各因素之间的强关联规则,和传统Apriori算法对比,多值属性Apriori算法的运行时间更短、效率更高;最后,结合各组件工作机理对B737飞机IDG部件提出了相关预防性维修建议。     

基于YOLOv4算法的冲压件缺陷检测

针对冲压件缺陷检测目前存在的人工检测强度大、效率低等问题,提出了一种基于改进YOLOv4(You Only Look Once)模型的快速检测算法(YOLOv4-Mobile).该方法使用改进的MobileNetV3网络代替YOLOv4结构中的CSPDarknet53网络,改进的MobileNetV3网络结合了深度可分...     

应用于运动目标检测的改进参数估计背景建模研究

为了提高目标检测的识别率,提出了一种基于改进Student-t分布参数估计的背景建模算法,适用于各种运动视频的目标检测,如体育视频应用领域。首先对传统基于有限混合模型的背景建模方法进行了分析,然后利用Student-t分布构建了背景模型参数估计方法,该方法通过改进期望值最大算法完成参数估计,并对参数空间进行了分割。仿真试验结果显示:相比高斯多态背景建模,K-均值和模糊C-均值聚类背景建模分割效果较好,因此运动目标检测精确度更高,且训练速度更快。验证了提出算法的有效性和先进性。     

基于K-means聚类算法的群体机器人聚集队形控制

针对未知环境下的群体机器人形成聚集动态队形的问题进行研究,分析了群体机器人运动控制策略,将K-means聚类算法与复合机体结构队形控制策略相结合,确定群体机器人聚类中心;个体机器人根据局部感知自主产生队形控制行为矢量,奔向目标,躲避障碍物;产生四种行为控制参数,确定机器人运动速度大小及方向;聚集成为圆形并排列成为三角形队形。仿真实验表明了K-means聚类算法与复合机体结构控制策略相结合的可行性和有效性。     

弱关联冗余环境下的挖掘算法研究

传统网络异构的数据挖掘算法以数据间的关联性为基础进行聚类,当数据集中出现大量冗余数据时,数据间的关联性减弱,使得数据挖掘精确度降低。为解决这个问题,提出一种新的弱关联冗余环境下挖掘算法。该算法先通过数据聚类方法,确定大数据集的原始聚类中心,不断更新聚类中心确保其逼近真实中心,实现大数据集的数据聚类。再对大数据集的弱关联规则进行挖掘,计算弱关联规则下数据间的关联性,采用弱化关联规则方法,挖掘出弱关联冗余环境下的数据。实验结果表明:所提挖掘算法具有较高的挖掘效率和精度,以及较低的复杂度。     

基于随机森林和聚类的连铸坯纵裂纹预报方法

纵裂纹是一种常见的铸坯表面缺陷,准确预测铸坯表面纵裂对于提高铸坯质量有着重要意义。针对纵裂纹形成与扩展过程中结晶器热电偶温度在时间、空间上的变化趋势,捕获和提取了热电偶时序温度的典型变化特征,采用随机森林(Random Forest,RF)对捕捉到的特征进行降维,筛选出与纵裂联系密切的相关特征,在此基础上建立了基于K均值(K Means)聚类的纵裂检测模型。结果表明,提出的基于温度时序特征和聚类算法的纵裂预测模型能够正确区分和识别纵裂纹和正常工况样本,将机器学习方法引入连铸过程异常监控提供了新的思路。     

基于蝙蝠算法优化的小波神经网络车床主轴热误差建模

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。     

一种用于轴承缺陷图像分割的改进k-means聚类算法

为了实现轴承缺陷无损检测自动化,研究了轴承表面缺陷图像的分割方法。在数字图像处理技术的基础上,提出一种改进的k-means的图像分割算法。先利用二维向量小波变换对图像提取特征,根据表面缺陷特征,运用k-means算法的思想,对其进行改进。试验结果证明,该方法显著提高了分割速度和精度,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性,具有一定的使用价值。     

电液伺服阀故障模式识别的自适应神经-模糊推理系统

基于MATLAB模糊逻辑工具箱，利用维数缩减技术和模糊减法聚类法，对表征电液伺服阀工作状态的实测样本数据进行聚类分析，实现合理的特征空间划分和寻找适当的规则数目，从而实现了自适应神经--模糊推理系统(即：ANFIS）的结构辨识。在此基础上，利用BP算法与最小二乘法相结合的混合算法，实现ANFIS的参数辨识，建立了适用于电液伺服阀的故障模式识别的ANFIS，从而有效地解决了电液伺服阀故障的多样性和不确定性的难题，实现了电液伺服阀故障的智能诊断。