多视图K-多均值聚类算法

多均值聚类算法假设每个类拥有多个子类,通过求解优化问题的方式来求解每个样本子类的划分和最终类簇的划分.该算法弥补了K-均值算法在非球数据集上的劣势,取得了较好的聚类效果,但是该算法无法被运用到多视图数据集上.本文提出了一种多视图K-多均值聚类算法,保留了K-多均值设置多个子类的设计,引入了视图权重参数,将目标聚类数作为限制条件,通过求解最优问题获得最终的类簇.将本文提出的算法与流行的多视图聚类算法进行对比实验,证明了本文算法的优越性.     

基于GMM的流体旋转设备运行可靠性在线评价方法

针对流体旋转设备运行工况多变且难以区分,导致运行可靠性评价准确率低的问题,提出了一种基于高斯混合模型（GMM）的流体旋转设备运行可靠性在线性评价方法。首先,根据设备历史运行数据,基于快速搜索和发现密度峰值的聚类算法（DPC）,进行工况划分,构建不同工况条件下的基于GMM的运行可靠性基准模型;其次,使用XGBoost算法对设备实时运行状态进行工况识别,约减冗余指标,构建设备运行可靠性的评价指标体系;然后,计算度量评价指标与对应工况下基准模型指标的偏离程度,以马氏距离作为度量标准,进一步计算得到设备运行可靠性评价指数;最后,以矿用离心机设备为例,进行了多工况下的运行可靠性实例分析和模型验证。研究结果表明,该方法能够在线实时反应设备当前的运行可靠性水平,当离心机设备运行可靠性低于0.857时,认为设备进入劣化状态,且评价准确率达到98%以上。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于双网格校正小波聚类的转子故障诊断

针对网格聚类算法不可避免产生的网格量化问题,提出一种基于双网格校正小波聚类算法。该算法以最大密集网格规则下获得的网格划分k值进行原始网格小波聚类,以均匀分布假设规则下获得的网格划分k值进行校正网格小波聚类,通过校正算法得到最佳聚类结果。通过基于双网格校正小波聚类的转子故障诊断实例表明:双网格小波聚类降低了网格划分和网格密度阈值对聚类质量的影响,提高了精度;双网格聚类的并行校正处理缓和了一种尺寸下网格均匀划分与数据对象非均匀分布之间的矛盾,为网格量化问题提供了一种解决思路。     

矿渣粉磨健康状态识别模型及系统设计

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。     

基于动态优选元胞遗传模糊聚类的使用可靠性区域粒度确定方法

为了进行使用可靠性区域粒度划分研究,在分析空调使用可靠性影响因素的基础上,以其使用可靠性同类区域差异最小为目标,建立了使用可靠性基于工作环境和用户使用习惯两类影响因素的多变量高维聚类模型,提出求解该模型的一种动态优选元胞遗传模糊聚类算法。该算法在经典元胞遗传算法和模糊C-均值算法的基础上引入信息熵理论和优选策略,并采用动态交叉和两阶段变异算子,因此集成了模糊C-均值收敛速度快和元胞遗传算法在解决复杂问题时多样性好、全局搜索能力强的特点。通过6个标准测试数据集的测试结果,证明新算法相对于模糊C-均值、遗传模糊聚类算法和粒子群模糊聚类算法具有更高的聚类精度和稳定性,尤其适合处理高维复杂数据的聚类问题。最后运用该算法求解模型,并评价不同粒度层次下聚类结果的有效性,进而确定使用可靠性最优区域粒度划分方案,表明算法能有效解决相关的实际工程问题。     

改进K均值聚类算法在电厂工况划分中的实现

本文介绍了改进K均值聚类算法的基本原理及应用。通过优化了初始聚类中心和可自适应调整到最佳值,改进的K均值聚类法和原始K均值法相比具有更高的分类准确率及更强的无监督自学习能力。并将此方法应用于基于实时数据的电厂工况划分,实验结果理想。     

支持大数据的参数自适应支持向量回归方法

为解决大数据条件下的高效精准预测问题，提出一种基于均值漂移聚类与海洋捕食者算法的参数自适应支持向量回归方法。将大数据样本划分为训练组、验证组和测试组；采用均值漂移聚类算法处理训练组得到聚类中心；设定支持向量回归(SVR)参数，随机生成多个SVR参数组；基于参数组和聚类中心，采用支持向量回归算法对验证组样本进行预测以得到预测精度，然后采用海洋捕食者算法更新SVR参数组，循环本步骤直到满足截止条件，从而获得最优SVR参数组；基于该最优参数组，用SVR获得测试组的预测精度。与高度类似方法在预测精度、稳定性和数据损失等方面进行比较，验证了该方法的可行性和有效性。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

复杂过程的多模型建模方法研究

针对复杂工业过程的非线性、工况范围广的特点,本文提出了一种新的多模型建模方法.首先对系统按照工况划分准则进行双层K均值聚类,在此基础上采用LS-SVM算法建立各局部模型,并用粒子群算法对多模型权值进行辨识.此建模方法收敛速度快,对辨识过程有良好的全局适应性.并以典型非线性主汽温系统作为辨识对象,采用上述方法建立其系统的多模型,仿真结果验证了该方法的有效性.     

基于性能退化模型的万能式断路器操作附件实时剩余寿命预测

针对万能式断路器操作附件的个体差异性以及在实际使用过程中动作不频繁的特性,提出一种基于性能退化模型的万能式断路器操作附件实时机械剩余寿命(RUL)预测方法。不同于传统的RUL预测方法,该方法融合了操作附件的历史退化数据与实时更新的状态监测(CM)数据。首先,考虑到操作附件性能退化过程具有线性非单调的特点,建立基于Wiener过程的操作附件性能退化模型;其次,对操作附件的历史退化数据采用极大似然估计法和一维搜索法确定模型参数的先验分布;然后,运用贝叶斯方法并结合操作附件实时更新的CM信息对模型参数进行迭代更新;基于首达时间的概念建立了RUL预测模型,以实现对断路器操作附件实时RUL的预测。最后,通过操作附件的寿命数据对本文所提方法进行验证,结果表明本文方法不仅可实现操作附件的实时剩余机械寿命预测,同时相较于其他文献方法具有更高的预测精度。     

冷挤压塑性流体动力润滑分析

应用流体动力润滑理论和塑性成形原理，分析了冷挤压润滑过程。在挤压的起始和终止阶段为非稳态流体动力润滑，而中间阶段可近似为稳态流体动力润滑。考虑冷挤压在高压及大剪切应变率工况下润滑剂的非牛顿特性，运用Ostwald非牛顿体模型，分别建立了冷挤压非稳态和稳态的塑性流体动力润滑（PHD）模型。采用Monte Carlo法得到了冷挤压润滑过程的油膜厚度、油膜压力以及摩擦力的分布规律。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

Non-linear dynamics of inlet film thickness during unsteady rolling process

The inlet film thickness directly affects film and stress distribution of rolling interfaces. Unsteady factors, such as unsteady back tension, may disturb the inlet film thickness. However, the current models of unsteady inlet film thickness lack unsteady disturbance factors and do not take surface topography into consideration. In this paper, based on the hydrodynamic analysis of inlet zone an unsteady rolling film model which concerns the direction of surface topography is built up. Considering the small fluctuation of inlet angle, absolute reduction, reduction ratio, inlet strip thickness and roll radius as the input variables and the fluctuation of inlet film thickness as the output variable, the non-linear relationship between the input and output is discussed. The discussion results show that there is 180° phase difference between the inlet film thickness and the input variables, such as the fluctuant absolute reduction, the fluctuant reduction ratio and non-uniform inlet strip thickness, but there is no phase difference between unsteady roll radius and the output. The inlet angle, the steady roll radius and the direction of surface topography have significant influence on the fluctuant amplitude of unsteady inlet film thickness. This study proposes an analysis method for unsteady inlet film thickness which takes surface topography and new disturbance factors into consideration.     

不同计算方法在轴流式风机数值模拟中的应用

基于MRF定常计算和SM非定常计算方法,对某轴流式风机进行了设计工况下的数值模拟。讨论了不同计算方法边界条件设置和收敛性判定的区别,分析了计算方法对风机全压效率的影响,研究了风机内部流场动静交界面上的静压分布、50%叶高截面静压和速度分布、叶片表面压力分布和叶轮出口动压分布等参数。数值结果表明,定常计算结果和非定常计算结果具有相同的变化趋势,但是存在一定的差异,这主要是由于定常计算没有考虑风机内部流动的非定常效应造成的;非定常计算能够更好地模拟动静交界区域的流动,比采用定常计算具有更好的数值结果。     

含低负荷场景低碳多源协调调度

温室效应导致全球持续升温,巨大碳排放量导致地球已不堪重负,如何降低碳排放成为目前亟待解决的问题。当风电出力与火电机组最小出力之和大于负荷量,只能通过储能、储热装置或弃风来达到功率平衡,此时可定义为低负荷运行状态。在低负荷时段,负荷消纳风电难、储能成本运行高。首先,考虑火电机组深调对发电成本和碳排放量的影响,建立了火电机组分阶段出力模型,将碳交易机制引入系统的调度模型中,构建阶梯型碳交易成本的计算模型;其次,以碳排放量和发电成本最小为优化目标,综合考虑系统的各种约束条件,建立了基于多目标的含低负荷场景低碳多源协调调度模型;然后,采用改进萤火虫算法,得到最优调度方案;最后,以带10个风电场的系统为算例,采用3种不同对比实验证明,所提方法可有效降低碳排放量,提高了系统运行经济性。所提方法分析了风电并网渗透率对系统运行方式的影响,表明含低负荷场景低碳多源协调调度与风电并网渗透率密切相关。     

变工况运行的机械故障诊断研究

为解决传统故障诊断方法难以对变工况运行时的机械进行诊断的困难,提出了应用瞬时功率谱（IPS）和遗传基因规划（GP）方法对在变工况下的运行机械测得振动信号进行处理,生成能够用于故障识别的优良特征参数GP-SP,从而达到对变工况运行机械进行故障诊断的目的。该方法已被应用于滚动轴承的故障诊断。