全矢模糊核聚类在机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及传统模糊聚类方法对数据结构的严格要求,结合全矢谱技术和模糊核聚类方法,提出了一种新的旋转机械故障识别方法。该方法应用全矢谱分析为特征提取工具,以模糊核聚类方法为分类器,进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高了故障诊断的准确率。     

基于模糊聚类评价边坡稳定性

根据影响突出的各因素指标资料来判断边坡具有突出危险性的强弱并进行分类。以平庄西露天矿边坡为工程实例,进行模糊聚类综合评价边坡的稳定性,为决策者提供合理的科学依据。     

模糊聚类法在评价选矿试验中的应用

通过引进目标序列的方法,使模糊聚类分析适用于多目标的综合评判,成为一种直接的评价方法,已成功用于选矿流程试验的评价。     

基于密度聚类的故障诊断 方法研究

应用时序分析的方法对振动信号进行建模,将求解出的模型参数作为提取的特征,进行了基于密度聚类(DBSCAN)的自动诊断。DBSCAN算法不需要人为确定分类的数量,且自动诊断的正确率要高于均值方法,该自动诊断方法无需计算旋转机械的转速、频率和故障信号,不需要用故障数据进行训练。因此,DBSCAN更易于实现旋转机械状态的自动在线监测。     

基于模糊聚类的矿井环境监测技术研究

矿井监测数据纷繁复杂,为了在海量的数据中提取有效数据进行预警分析,文章采用模糊聚类实现对矿井环境监测数据的分析处理,对矿井环境监测数据分析结构做了简要说明,接着分析模糊聚类C聚类均值算法(FCM),最后采用公共数据库一组矿井监测数据样本进行实例仿真。实验证明,该算法在处理大数据样本时有一定的优势,具有一定的研究价值。     

基于模糊聚类下的矿区分类研究

科学合理的划分矿区类型 ,是正确选择矿区可持续发展模式的前提 ,也是矿区可持续发展研究领域中的一项重要内容。本文建立了煤炭矿区分类的模糊聚类模型 ,并利用该模型进行了实例解算 ,综合分类结果并结合煤炭矿区的现实状况 ,最终将矿区分为四种主要类型 ,并相应提出了适合矿区自身发展的运行模式。     

石门揭煤工作面突出危险性的模糊灰色聚类评估

依据统计数据和专家经验,通过对石门揭煤突出危险性预测统计数据的模糊聚类,由数据规格化聚类指标对灰类的白化函数计算聚类系数,对石门揭煤工作面突出危险性进行灰色聚类评估预测,将预测结果与直接计算利用模糊聚类分析法进行比较,结果表明,利用模糊灰色聚类评估预测法预测石门揭煤工作面突出危险性准确可靠。     

煤与瓦斯突出预测的模糊ISODATA聚类方法研究

煤与瓦斯突出影响因素复杂,是不确定性问题,即不仅具有随机性,又具有模糊性。提出将模糊ISODATA聚类应用于煤与瓦斯突出的预测,以平顶山八矿煤与瓦斯突出相关因素指标为基础,对潜在的突出危险区域进行了聚类分析,预测结果与矿井生产实践相一致。     

用模糊聚类法划分旋风除尘器类型

本文运用模糊聚类分析法，综合考虑旋风除尘器的除尘效率、压降和钢耗等因素，将现有的旋风除尘器分为四类。本文详细叙述了它的分类方法和步骤。此分类法直观、实用。     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。     

滚动轴承故障诊断研究的国内现状与发展方向

阐述了滚动轴承诊断研究的国内现状与发展方向。简单介绍了滚动轴承的失效形式与振动特征以及目前国内学者研究的滚动轴承诊断方法的基本原理和应用。最后对滚动轴承诊断技术的发展作了展望。     

掘进机轴承故障诊断系统设计

针对掘进机轴承故障诊断难度大、诊断效率低、诊断结果不能可视化等问题,结合掘进机轴承故障诊断系统功能需求及主要功能模块,搭建了掘进机轴承故障诊断系统总体方案框架,设计了现代化、数字化、智能化的掘进机轴承故障诊断系统。该系统可以高效、快速地将掘进机轴承故障进行诊断并将诊断结果可视化,以便及时发现和维修轴承故障,为掘进机轴承故障率减少、故障维修时间的减少等方面提供理论依据及技术支持。     

DH型离心式压缩机轴承故障诊断

利用故障诊断频谱分析方法,采用HG-8902多通道数据故障诊断系统对机组振动故障进行分析,通过对离心式压缩机的振动频谱进行分析及故障诊断,及时判断出压缩机高速转子轴承出现故障,并对存在的轴承故障进行分析,找出故障原因,制定处理方案,提出预防措施。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

基于模糊故障树的数控装置故障诊断

以某数控装置为对象,研究其故障具有模糊性和不确定性发生概率的特点,综合运用故障树分析与模糊理论诊断故障发生概率。通过分析数控装置故障发生的机理,建立该装置的模糊故障树,进行定量计算,求得了基本事件的模糊重要度可靠性指标,为数控装置的可靠性评估、故障诊断以及维修决策提供了理论依据。     

希尔伯特黄变换在轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特性,提出了基于希尔伯特黄变换的滚动轴承故障诊断方法。该方法是把一列时间序列数据通过经验模态分解,获得有限数目的固有模态函数,经过希尔伯特变换获得信号的时频谱—希尔伯特谱,利用由希尔伯特谱反映出来的物理信息对滚动轴承进行故障诊断。     

数控车床故障诊断模糊模型研究

通过对CK6140型数控机床加工质量方面的故障征兆和故障原因进行分析,确定了二者之间存在的因果关系。在具有大量的该型车床使用与维修统计数据的基础上,结合现场维修专家的经验,建立了该型数控车床故障诊断模糊模型,并通过实例验证了该模型的有效性,对该型车床的故障诊断与维修具有很好的参考价值。     

小波包分析在滚动轴承故障诊断中的应用

针对滚动轴承故障特征的提取问题,讨论了小波包分析的基本原理,基于小波包分析方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,小波包分析方法具有明显的诊断意义。