储罐声发射检测信号的聚类分析

聚类分析作为一种先进的无监督模式识别技术,能在无先验知识的情况下对数据进行分类并揭示数据内部结构。通过优化K均值聚类算法,并应用浮动门槛值重新计算声发射检测波形数据的常用特征参量作为聚类算法的输入向量,采用浮动门槛计算得到的特征向量更能反映声发射波形特征,取得良好的聚类效果。通过现场储罐声发射检测数据实例的聚类分析,结果表明K均值聚类能有效地区别不同声源和传播途径的声发射信号,具有很好的去噪效果,能有效提高罐底声发射检测评价准确度。     

改进K均值模拟退火聚类算法的滚动轴承故障诊断

为解决传统聚类分析方法 K均值易求得最优局部解而非最优全局解的问题,引入一种新的中心点交换机制,提出将K均值与模拟退火法相结合的改进K均值模拟退火算法。该算法既继承了K均值可调整聚类中心的特点,又利用模拟退火法跳出最优局部解,能为故障诊断提供一种新思路。论文采用gr120数据首先验证了该算法的可靠性。然后基于该算法构建了滚动轴承振动故障诊断模型,接着采用美国凯斯西储大学轴承数据中心滚动轴承数据对算法及模型进行了应用验证,验证结果表明该方法能够诊断出滚动轴承的典型故障。     

基于DTW-kmedoids算法的时间序列数据异常检测北大核心

针对工业生产中传统聚类算法直接应用于时间序列聚类效果准确性较低的问题,提出一种基于DTW距离度量的K-medoids算法。使用DTW计算时序数据之间的距离取代传统的欧氏距离度量方式,提高了相似性度量算法精度,同时也提高了聚类算法的准确性,并通过构建阈值机制实现了对时间序列数据的监督与异常检测。最后,结合烟叶含水率的时间序列数据进行分析,与传统聚类算法的异常检测模型比较,实验结果表明,DTW-kmedoids算法对时序数据的监督与异常检测具有可靠性、准确性。     

聚乙烯管道电熔接头的超声相控阵成像及缺陷特征

为了提高基于超声相控阵的聚乙烯管道电熔接头的图像特征识别和自动缺陷检测效率,提出采用K均值聚类算法和数学形态学相结合的图像处理方法,实现了对超声相控阵检测图像的处理. K均值聚类算法可以有效地实现图像的整体分割,数学形态学处理能够平滑图像边缘,得到相对完整独立的缺陷成像区域. 结果表明,所提出的方法不需要训练样本,只需根据数据本身的属性进行自我训练,可靠性较高. K均值聚类算法和数学形态学相结合能较完整地将多种缺陷信息从图像中分离出来,为聚乙烯管道电熔接头缺陷的自动评价提供了新方法,具有较好推广价值.     

基于SCADA数据协整分析的风力发电机状态监测北大核心

提出一种基于SCADA数据协整分析的风电机组状态监测方法。利用风力发电机SCADA数据的协整过程得到的协整残差用于风力发电机运行状态监测。取内蒙古包头市金杰公司某1.5 MW双馈风力发电机在不同环境和运行条件下的实验数据,对所提方法有效性进行验证。对风力发电机的多个过程参数进行了两阶段的协整处理,数据趋势具有非线性特征。用已知故障案例对该方法进行了测试。结果表明:该方法能有效地对风力发电机运行状态进行监测。     

改进粒子群聚类的铝电解槽设备画像技术研究

电解槽是铝电解行业中生产铝的重要设备，电解过程中生产指标的变化会不同程度的影响电流效率。通过构造电解槽画像，能够为分析电解槽状态、挖掘生产指标间的关系等提供研究思路。文章以电解槽为研究对象，利用电解过程中的生产数据，结合画像技术、聚类、关联分析等方法，提取标签信息，构建具有数据层、画像层和应用层的三层电解槽画像架构，形成对电解槽具有针对性、系统性的分析策略。针对群体划分的K均值聚类算法，采用改进粒子群算法来缓解其对初始值敏感的问题，提高聚类性能。通过实际生产数据进行实验，生成设备个体和群体画像，为实际应用提供参考。     

弱状态下燃油调节器特征提取及故障诊断北大核心

在弱状态下燃油调节器的状态信号在空间中呈现较强模糊性,难以有效提取其状态特征并进行准确故障诊断。为此,在结合无监督聚类算法与多源信息融合技术的基础上,提出一种用于状态特征提取的质心尺度变化方法。以燃油调节器出口组件的压力脉动为目标,利用无监督聚类和信息融合算法对状态信号进行特征提取。设计尺度变化准则,对已提取的特征进行重构。在Linux环境中,利用Java语言编写特征提取算法、特征重构算法和K-NN分类算法并进行测试。结果表明:经质心尺度变化后的重构特征数据,在新的特征空间中呈现相互独立分布,且K-NN分类算法能够有效地对输入数据进行分类;所提方法为燃油调节器的故障诊断系统搭建提供参考。     

聚KPCA在高维轴承故障诊断中的应用

轴承故障诊断环境复杂、影响因素多,导致特征高维化成为一个技术难题,采用核主成分分析法(KPCA)进行高维特征降维取得了一定成效,但KPCA未考虑特征间的相似性对计算复杂度以及分离效果的影响,对提高计算实时性和有效性以及提升分类效果形成了限制。为此提出了基于K均值聚类算法和KPCA方法的聚KPCA方法。利用均值聚类算法的思想对所提取的时、频域特征中的相似特征进行聚类,降低后续KPCA计算的复杂度,再用KPCA对聚类后的特征进行降维,将高维特征映射到一个类别可分度较高的特征空间。利用正常、内圈故障、外圈故障、滚动体故障4种轴承状态信号特征对聚KPCA方法进行验证,结果表明:与KPCA方法相比,所提出的聚KPCA方法具有更好的降维分离效果和较强的鲁棒性。     

基于局部线性增强嵌入的轴承故障诊断北大核心

由于实际采集数据的局部邻域并非位于线性子空间中,传统的局部线性嵌入算法无法出提取显著特征。针对该问题,提出了局部线性增强嵌入(local linear augmentation embedding,LLAE)算法。首先通过高维重构模型挖掘出流形的本质结构;然后将邻域线性增强策略引入到低维目标函数的构造中,通过构造均值和方差模型,获得样本的显著特征。在两个轴承数据集上进行了大量的实验,LLAE算法获得了良好的可视化和聚类效果,识别精度达到了97%以上。这表明LLAE算法能够提取出显著的特征,实现更有效的故障诊断。     

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。