倾斜因子K均值优化数据聚类及故障诊断研究

为提高海量数据挖掘和聚类的效率和精度,以应用于压缩机机械故障智能诊断中.将遗传算法与K均值聚类算法进行互补,提出基于倾斜分类K均值优化数据聚类算法.算法引入倾斜因子,避免较小类数据产生次优解的现象发生.在传统的K均值数据聚类算法基础上,通过倾斜因子排除了少数类局部最优解的干扰,提高遗传算法的收敛速度,也可以避免过早收敛到局部最优解中.仿真实验中以某天然气压气站采集的故障状态下的压缩机振动信号提取的特征量数据作为研究对象,进行数据聚类分析.仿真实验表明,通过改进的数据聚类算法对故障信号关联维特征量进行分类识别,能有效对四类天然气压缩机故障进行诊断分类,准确率能提高18.7％,研究结果在数据优化聚类及在机械故障诊断中的应用中具有良好的指导意义和实践价值.     

基于模糊聚类的燃气轮机故障诊断

论文把EFCM算法应用到了燃气轮机的故障诊断中,该方法不需进行迭代计算模糊聚类的中心向量,可以减少计算量。结果表明该方法可以准确的对不同的故障进行区分,并对EFCM和FCM两种算法做了比较,表明EFCM算法在性能上优于FCM,可用于燃气轮机状态在线监控和诊断。     

基于改进SimRank的产品特征聚类研究

针对在线用户评论中产品特征的提取和聚类问题进行了研究，提出一种改进的SimRank算法，将情感词-特征对放入二分网中，在二分网中使用改进后的SimRank算法计算特征词之间的相似度；再通过谱聚类算法对特征相似度进行聚类，提取网络产品的特征集合。以某电脑评论为例，从中提取情感词-特征对进行研究，实验结果显示,改进后的算法准确率更高。改进后的特征相似度检测方法可以作为检测特征相似度的有效方法。实验采用在线产品的评论语料，实验结果表明使用改进后的SinRank相似度对特征词进行聚类提取出特征更加准确。     

加热炉钢坯温度软测量模型研究

研究基于模糊聚类的钢坯温度神经网络软测量模型.该方法由两个部分组成, FCM(Fuzzy C-Means)聚类算法用来对训练样本进行分类,分布式RBF(Radial Basis Function) 网络对每类样本进行训练.在线测量时,采用自适应模糊聚类算法对新的工况数据进行 隶属度计算.文中将该算法应用于步进式加热炉钢坯温度的预报,仿真结果表明该算法的有 效性.     

基于改进模糊聚类和支持向量机的模拟电路故障诊断

为解决神经网络训练需要大量的样本,且容易陷入局部最优,收敛速度慢等缺点,采用改进模糊聚类(IFC)和支持向量机(SVM)相结合的模拟电路故障诊断方法.利用小波分解技术提取待诊断电路的测试信息作为故障特征,在模糊聚类算法中为消除孤立点和噪声的影响,对不同样本点引入权值以提高聚类效果,结合改进的模糊聚类算法进一步降低故障特征的维数,将其作为支持向量机的输入量,进行模型训练并预测模拟电路的故障.仿真结果表明,此方法应用于电路故障诊断有效削减计算复杂度并提高了诊断精度.     

高通信效率的分布式流数据聚类算法

传感器节点的资源是有限的,高的通信开销会消耗大量的电量。为了减小分布式流数据分类算法的通信开销,提出一种高效的分布式流数据聚类算法。该算法包含在线局部聚类和离线全局协同聚类两个阶段。在线局部聚类算法将每个流数据源进行局部聚类,并将聚类后的结果通过序列化技术发往协同节点;协同节点得到来自不同流数据源的局部聚类信息后进行全局聚类。从实验中可以看出,当不断增加窗口的大小时,算法用于数据发送的时间恒定不变,算法的聚类时间和总的时间呈线性增长,即所提出算法的执行时间不受滑动窗口宽度和聚类个数的影响;同时该算法与集中式算法的准确性接近,并且通信开销远远小于相关的分布式算法。实验结果表明,该算法具有很好的可扩展性,可应用于对大规模分布式流数据源进行聚类分析。     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

基于PCA-KNN聚类的通用在线故障诊断算法设计

为了克服以往故障诊断算法所具有的难以诊断效率低、诊断精度不高和模型通用性不强的缺点,提出了一种基于PCA主元分析特征优化和KNN聚类的故障诊断法算法;首先,给出了故障诊断的总体模型和诊断原理,然后在故障征兆原始样本数据的基础上,通过PCA主元分析法进行特征优化,获得维数约简的样本数据,从而提高故障诊断的效率;在此基础上,采用训练样本数据对模糊K均值分类器进行训练,并计算每个聚类的距离和阈值;最后,将在线获取的测试样本数据或离线样本数据输入到模糊K均值分类器,获得其所属分类,并采用KNN最近邻算法来获取其K个近邻,根据其与近邻的距离平方和与所属聚类距离平方阈值来判断其是否为故障样本,从而实现故障诊断;以滚动轴承故障诊断试验和模拟电路故障诊断试验为例,实验结果证明了文中方法较其它方法具有诊断效率高和诊断精度高的优点,是一种通用的和可行的在线故障诊断方法。     

基于模糊辨识方法的机械臂振动控制研究

为了抑制机器人等复杂结构的振动,提高复杂结构的振动控制精度,提出一种用于辨识机械臂连接结构的非线性模型在线辨识的模糊算法,并以此为基础研究了机械臂振动控制方法.该算法将非线性输入输出系统用时变线性系统模型来拟和,并把此模型表示成模糊模型的形式,用在线调节模糊模型的方法来辨识时变线性模型的相关参数.将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数,将此算法应用在两自由度柔性杆件的扭转振动的控制上,并设计相应的硬件控制系统,实验结果表明了此算法的有效性.将该算法应用于工程实践中,实际使用效果表明,此算法具有重要的工程应用价值.     

基于LMD基本尺度熵的AP聚类滚动轴承故障诊断*

摘要：针对滚动轴承聚类故障聚类模式识别方法中需要预先设定聚类数目问题,提出了一种基于局部均值分解（Local Mean Decompoeiton, LMD）与基本尺度熵（Base Scale Entropy, BSE）的相邻传播（Affinity Propagation, AP）滚动轴承聚类故障诊断方法。该方法首先使用LMD模型将滚动轴承的不同状态振动信号分解为若干乘积函数（Production Function, PF）。其次使用BSE计算前3个PF的熵值（BSE1-BSE3）,并将其作为AP的输入进行滚动轴承的故障模式识别。最后实验结果表明在不需要划分聚类中心个数的前提条件下AP聚类模型对滚动轴承的故障划分效果较好。 关键词：局部均值分解;基本尺度熵;滚动轴承;故障诊断;AP聚类算法     

基于无源振动传感器标签的轴承故障在线诊断技术

提出了一种基于无源振动传感器标签的穿梭车轴承故障在线诊断技术.设计了一种无源射频识别(RFID)振动传感器标签结构,因其工作在无源模式下,减少了在线故障诊断的成本,同时可以实现对轴承故障的长期在线诊断.介绍了振动信号的处理方式,提出了基于奇异熵的奇异值分解信号降噪算法,依据信号的奇异熵自行定阶降噪,避免了人为预设参数所导致的误差,并提出了基于最小二乘支持向量回归(LS-SVR)的故障诊断算法.测试结果表明:设计的标签能够可靠地完成信号采集和传输,采用的算法能够快速而准确地定位故障,较传统故障诊断方法提高了实时性并降低了成本.     

Ant colony clustering analysis based intelligent fault diagnosis method and its application to rotating machinery

Fault diagnosis is crucial to improve reliability and performance of machinery. Effective feature extraction and clustering analysis can mine useful information from large amounts of raw data and facilitate fault diagnosis. This paper presents a novel intelligent fault diagnosis method based on ant colony clustering analysis. Vibration signals acquired from equipment are decomposed by wavelet packet transform, after which sub-bands of signals are clustered by ant colony algorithm, and each cluster as a set of data is analyzed from pattern of frequency band perspective for selecting intrinsic features reflecting operation condition of equipment, and thus fault diagnosis model is established to combine the extracted major features with given fault prototypes from historical data. The classification process for fault diagnosis is carried out using Euclidean nearness degree based on the established model. Furthermore, an improved ant colony clustering algorithm is proposed to adjust comparison probability dynamically and detect outliers. When compared with other clustering algorithms, the algorithm has higher convergence speed to meet requirements of real-time analysis as well as further improvement of accuracy. Finally, effectiveness and feasibility of the proposed method is verified by vibration signals acquired from a rotor test bed.     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

基于学习矢量量化网络的智能BIT故障诊断方法

将一种经过修正的基于学习矢量量化算法的竞争网络应用在多电飞机电气系统智能BIT故障诊断中,该网络在竞争层实现故障模式的自组织聚类,在输出层给出了具体的故障模式,通过与原算法进行比较,修正后的算法达到了很好的故障识别和分类效果.     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

基于改进ENN2 聚类算法的多故障诊断方法

针对可拓神经网络无法解决多故障诊断的问题,建立问题模型,将多故障诊断问题转化为多特征样本的聚类问题。从模型结构和学习算法两个方面对ENN2进行改进,提出基于改进ENN2聚类算法的多故障诊断方法,并对其参数和时间复杂度进行分析。采用工程实例对所提出的方法进行验证,结果表明,所提出的方法能够解决离线的多故障诊断问题,且得到的诊断模型可用于在线状态监控,具有较好的应用前景。     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

Development of smart sensors system for machine fault diagnosis

Machine fault diagnosis is a traditional maintenance problem. In the past, the maintenance using tradition sensors is money-cost, which limits wide application in industry. To develop a cost-effective maintenance technique, this paper presents a novel research using smart sensor systems for machine fault diagnosis. In this paper, a smart sensors system is developed which acquires three types of signals involving vibration, current, and flux from induction motors. And then, support vector machine, linear discriminant analysis, k-nearest neighbors, and random forests algorithm are employed as classifiers for fault diagnosis. The parameters of these classifiers are optimized by using cross-validation method. The experimental results show that smart sensor system has the similar performance for applying in intelligent machine fault diagnosis with reduced product cost. Developed smart sensors have feasibility to apply for intelligent fault diagnosis.     

智能控制下机械式自动变速器故障检测方法

考虑到当前机械式自动变速器故障检测方法由于故障种类划分能力较差,导致复合故障检测结果正确率较低的情况,设计智能控制下机械式自动变速器故障检测方法。设定信号采样频率,对采集后的信号进行离散处理,提取自动变速器振动信号。使用LSSVM模型构建支持向量机,完成振动信号训练处理。根据机械控制理论结合证据分类检测方法,完成自动变速器故障诊断。至此,智能控制下机械式自动变速器故障检测方法设计完成。构建实验环节,经实验结果证实,新型检测方法的复合故障检测结果正确率得到明显提升,在日后的研究中可应用此方法完成故障检测过程。