基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于遗传KNN聚类的机械加工故障趋势预测模型

为了提高机械加工过程中的故障状态监测能力,提出一种基于遗传KNN聚类的机械加工故障趋势预测模型。采用大数据关联规则挖掘方法进行机械加工的故障特征信息采集,对采集的机械加工故障状态特征量采用K均值(KNN)方法进行数据聚类处理,结合遗传进化方法进行机械加工故障状态趋势的特征分类学习,采用Hilbert谱提取方法把机械零部件加工过程中的异常状态数据进行特征分解和状态参量提取,根据机械加工的故障状态特征参量提取值进行信息融合,建立机械加工故障趋势预测的专家系统模型,实现机械加工故障趋势预测。     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

基于模糊聚类的变压器故障分类分析

使用模糊c-均值对变压器故障进行聚类,具有简单直观且易于实现的特点。但是,聚类性能受中心点初始化影响,且存在计算量较大的问题。因此,提出了综合聚类法,利用该方法,确定输入样本的聚类分类数和聚类中心;然后再通过FCM对数据进行聚类;最后通过对变压器故障诊断,可以有效发现变压器潜在故障,降低安全事故发生概率。     

CLS-SVM:一种时间序列预测的局部建模方法

针对LS-SVM应用于大样本时间序列预测时存在的计算复杂度高和泛化能力降低的问题,提出一种采用局部模型的时间序列预测方法.该方法采用K-means算法对训练样本进行聚类,并以VRC原则确定最佳聚类数,然后利用LS-SVM对聚类后样本进行局部建模;同时,针对一般LS-SVM建模过程中共轭梯度方法计算效率低的问题,采用Cholseky分解方法以实现计算效率的提升.仿真实验和应用测试表明,该方法用于大规模数据分析时,可在保持预测精度的前提下,提高训练效率5 ～ 28倍,在降低计算复杂度的同时,有效地提高了模型的泛化能力.     

设备故障智能诊断方法的研究

模糊聚类、粗糙集理论、灰色系统理论等相关技术曾被广泛应用于设备故障诊断中,但是模糊聚类只能对已知样本做出决策,不具有柔性,不能通过已知信息和聚类结果对问题所涉及领域内的新样本的类别做出决策;粗糙集理论不能处理连续变量;而灰色系统理论无法去除故障诊断中冗余的特征参数,不能区分各特征参数的重要性,因而制约了它们在故障诊断中的应用.在本文中,这几种理论被有机地结合起来,应用于设备故障诊断中.在故障诊断过程中,首先利用模糊c均值聚类对样本的参数进行离散化处理,求得各类别的聚类中心,接着基于粗糙集原理对设备特征参数进行约简,去除冗余参数,定量确定各特征参数的重要程度,然后根据约简的特征参数和各参数的重要程度,利用灰色关联分析的方法确定各种标准故障状态与目前设备状态的关联度,从而找到设备的故障所在之处.在本文最后部分通过实例证明,将模糊c均值聚类、粗糙集理论和灰色系统理论结合起来,应用于设备的故障诊断中是一种行之有效的方法,为智能故障诊断提供了理论基础.     

基于膜计算的水电机组故障识别

本文对水电机组振动故障进行识别研究,提出了一种基于膜计算的粒子群模糊聚类方法;该方法利用粒子群算法对模糊均值聚类算法的聚类中心进行优化,并利用膜计算增加粒子群的种群多样性;最后将所给方法成功应用于水电机组振动故障识别;并与粒子群优化的FCM算法、FCM算法、K-means算法进行比较,说明所给方法的优越性。     

基于参数优化MPE与FCM的滚动轴承故障诊断

为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。     

基于竞争威布尔模型的加工中心可靠性评估

为了实现故障数据按故障机制的分类,使用竞争威布尔模型对加工中心可靠性进行评估,通过故障特征属性和故障信息序列概念的定义,以故障信息序列表示故障,利用模糊聚类的方法对故障信息序列按故障机制相似性进行分类;利用自助法和基于灰色预测的改进自助法实现小子样评估中威布尔模型的参数估计;通过实例验证了该模型和方法的可用性。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

模拟电路故障的一种聚类二叉树支持向量机诊断新方法

针对模拟电路故障特征样本的分类(诊断)问题.提出了一种基于聚类二叉树支持向量机(SVMs)多分类器的故障诊断新方法,并分析了几种分类器的平均测试复杂度.首先,利用自组织特征映射神经网络(SOFM)对训练样本进行层次聚类.得到一棵聚类二叉树;其次,按照树的结构利用二元SVMs设计故障分类器,并对样本进行分组训练和测试.实际仿真和测试表明.所设计的故障分类器性能在诊断精度和效率上皆优于传统的"1-v-r"SVMs和"1-v-1"SVMs分类器,较为适合模拟电子电路的故障分类和诊断.     

基于模糊核加权C-均值聚类的高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容之一。模糊C-均值聚类算法因其算法简单、收敛速度快等优点受到广泛的关注。由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值均聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。     

基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度

为解决半导体生产线设备故障预测问题,采用自适应神经模糊推理系统构建故障预测模型.利用减法聚类确定模型初始结构,采用由最小二乘算法和梯度下降法所组成的混合学习算法优化模型参数.经实验数据检验,所建模型拟合能力强且精度高,能有效预测生产线下一阶段可能发生故障的设备名称等调度问题关键参数信息.在原有设备维护调度的基础上,嵌入故障预测模型,构建新的设备维护调度方案,并以某半导体生产线制造过程为例进行仿真验证,取得了良好的调度效果.     

基于函数型大数据聚类分析的机械故障在线检测

针对海量机械设备故障信号样本在线检测问题,提出了一种基于函数型大数据聚类分析的检测研究方法.分析了函数型大数据聚类分析的原理和优势,并利用对函数型大数据的曲线拟合及基函数矩阵,改善对高维故障数据的处理能力;确定聚类中心的位置,计算故障数据到聚类中心的聚类密度值,当有新的故障数据集加入后,适时调整聚类中心位置及欧式距离的均值,提高在线故障检测率.实验结果表明:提出多类别故障聚类的检测方法效果更明显,检测率统计指标值显著优于传统检测方案.     

基于一阶导数的中药太赫兹光谱聚类（英文）

针对中药等混合物吸收峰重叠导致无明显吸收峰的情况,提出使用K-means、K-medoids和FCM三种无监督聚类算法结合太赫兹吸收谱一阶导数特征,将三七、当归等四种中药品的太赫兹光谱分别与其易混品的太赫兹光谱进行聚类。三种无监督聚类方法补充了监督学习分类方法的适用范围。光谱一阶导数特征可以放大不同物质吸收系数整体或者是局部的微小差异。实验证明,使用原始吸收系数结合其一阶导数作为分类数据,三种聚类算法都取得很好的效果,K-means算法准确率最高,为95.32%。相较于原始吸收系数作为分类数据,聚类准确率提升明显,尤其是对无吸收峰中药易混品的聚类,K-means算法准确率提升了5.38%。三种聚类算法对误差数据都具有很强的抗干扰能力。     

基于支持矢量聚类的机械故障诊断

针对无监督的支持矢量聚类方法由于样本类别数量未知带来的模型参数难以选择的问题,提出有监督的支持矢量聚类方法,并应用到机械故障诊断中.该方法首先以聚类区域个数及支持矢量个数作为模型参数的选择准则,以支持矢量为核估计样本分布的概率密度,并根据概率密度估计值选择不同聚类区域的类别代表样本,而后引入k近邻法实现对不同故障的分类.对测试样本的分类结果表明了该方法的有效性.