用于转子故障诊断的改进小波聚类算法

为了快速准确地实现转子故障的模式识别与分类,提出了改进小波聚类方法。首先,从转子振动信号中提取峭度指标、功率谱重心和小波能谱熵三个特征向量;其次,量化特征空间,提取显著网格单元信息;然后,对显著网格单元内数据信息进行小波变换实现去噪处理;最后,应用广度优先搜索方法实现聚类。在改进小波聚类过程中,信息储存表的建立降低了空间复杂度,并使得原始数据与聚类结果建立了映射关系。应用广度优先原则搜索相邻的显著网格单元实现聚类,降低了聚类算法的复杂度。实验验证与比较说明,改进小波聚类算法能够扩展应用到高维数据空间,并且降低了高维数据空间的算法复杂度,提高了转子故障诊断的效率和正确率。     

基于异构值差度量的SOM混合属性数据聚类算法

针对传统聚类算法处理混合属性数据聚类质量不高且聚类结果可视化差的问题,提出了基于异构值差度量的自组织映射混合属性数据聚类算法。该算法以自组织映射神经网络为框架,采用基于样本概率的异构值差度量混合属性数据的相异性。利用分类特征项在Voronoi集合中出现频率作为分类属性数据参考向量更新规则的基础,通过混合更新规则实现数值属性和分类属性数据规则的更新。利用UCI公共数据库中的分类属性和混合属性数据集来测试所提出的聚类算法,并与SOM算法和kprototypes、SBAC、KL-FCM-GM算法进行比较。最后将所提出的聚类算法应用于轮式移动机器人的运动状态分析,获得了较好的聚类效果。     

基于双网格校正小波聚类在航空发动机故障诊断中的应用

航空发动机的核心部件转子系统,它的工作状态关系到整台机械设备的运行状态,对其进行状态监测和故障诊断能够提高生产效率、避免重大事故发生,对现代工业的发展具有重大的意义。通过运用双网格校正小波聚类算法分析航空发动机的故障信号可以更好的将同类数据归类,并将噪声数据从类中分离出来,从而提高聚类精度和更快得到聚类结果,因此该诊断方法可以提高航空发动机转子系统的故障诊断水平。     

基于约束矩阵的启发式工序排序方法

针对零件工艺设计过程中的工序排序问题,提出一种基于约束矩阵的启发式工序排序方法。在该方法中,工序排序被转化为以加工活动为对象的组合排序问题,并构建其数学模型。该模型将工序排序中需要满足的工艺规则分为聚类规则和顺序规则两类,建立了工艺规则与加工活动信息之间的量化关联关系,通过工艺规则的作用确定加工活动间的约束关系;定义聚类约束关系和顺序约束关系向矩阵转化的机制,生成加工活动间的聚类约束矩阵和顺序约束矩阵,在此基础上建立启发式算法对其进行聚类分组,并对聚类的加工活动进行排序,得到加工活动的组合和次序。最后通过工序排序算例验证了该方法的可行性。     

基于属性的网格资源动态聚类研究

为提高网格资源的搜索率与利用率,提出了基于属性的网格资源动态聚类法。首先以复合λ值模糊聚类树为基础,以资源簇内聚合度和资源簇间分离度为目标,构建资源聚类优化数学模型;然后运用并行遗传算法进行优化,建立了适合资源聚类模型的并行遗传算法操作流程。针对经典遗传算法存在“早熟”的不足,设计了一种新颖的矩阵交叉方法。最后,通过仿真证明了算法的高效性。     

基于改进型层次聚类算法的可重构制造系统的产品族划分

针对可重构制造系统的产品族划分问题,提出了基于改进型层次聚类算法的可重构制造系统的产品族划分方法。首先对影响产品族划分的因素进行分析,基于产品的结构矩阵以及组成产品的各模块间的相关性矩阵确定了各因素的指标值,建立了各个因素相似度矩阵,然后利用层次分析法获得各指标的权重,获得产品的综合相似度矩阵,利用改进型层次聚类算法实现产品族的划分。最后通过实例验证了改进型层次聚类算法与层次聚类算法具有相同的划分结果,但是改进型层次聚类算法有更低的计算复杂度与更高的效率。     

基于聚类的未知频率小信号检测

针对宽带范围内未知频率、幅度和相位的小信号检测,提出了一种改进的K均值聚类算法,传统的聚类法只以某一特征参数作为聚类依据,不能体现类内各样本间两个或多个参数的相似度;改进的聚类法按频点谱密度进行网格划分,并根据每个网格的直方图峰值确定类的数目和类心;按最小欧氏距离原则对网格内各频点以频率为特征参数进行分类,分类后的网格内子类在谱密度和频率两个参数上都具有一定的相似性。把待测信息和样本信息的子类进行比较,从而获得与小信号特征值一致的新子类,试验结果表明这种改进的K均值聚类法在复杂环境下能有效识别宽带内未知频率小信号。     

大功率电力机车异常运行数据的检测方法研究

为了保障大功率电力机车安全稳定的运行,提出一种基于聚类-规则的异常运行数据检测方法。利用聚类算法对异常运行数据进行聚类,然后根据聚类中心获得异常运行数据的检测规则库,并由此构建检测模型,同时利用BP算法对模型参数进行优化,最终获得准确的异常运行数据检测模型。     

一种基于启发式的密度和网格的增量聚类算法

提出了一种基于启发式的密度和网格的增量聚类算法。通过密度和网格相结合的方法,采用启发式原理进行聚类处理,利用增量式算法只对受影响的点进行计算,可以很快得到修正后的聚类,大大提高效率。实验表明该算法能很好地处理高维数据,较传统算法效率有显著提高而且加速度较商。     

一种基于核的聚类色彩量化算法

针对K-均值聚类在色彩量化中的应用,提出了一种基于核的聚类色彩量化算法.将原空间中待聚类的样本通过非线性映射,映射到一个高维的核空间中,从而将非线性问题变为线性问题,并通过Delphi编程加以实现.实验结果证明,该算法计算简单,鲁棒性强,具有一定的实用价值.     

基于多源信息融合的行驶工况识别及其在整车转矩分配中的应用

传统的行驶工况判别方法多采用单参数或者双参数进行判别,为提高工况识别精度,针对混合动力汽车双动力源的特点,提出一种多源信息融合的汽车行驶工况识别方法,基于Daubechies小波对多传感器采集到的时间序列进行分解,利用单支小波重构的方法获得每个传感器不同频段下分解信号的数据特征信息,然后基于变属性权重的模糊C-均值聚类方法将不同传感器不同频段的数据特征信息进行一次聚类识别;最后对不同频段下同一工况的隶属度值加权,采用SOM自组织映射网络进行二次聚类融合实现最终的行驶工况识别。将本文所提方法应用于混合动力汽车整车转矩分配中,不同工况下调用不同的转矩分配三层前馈神经网络模型,以提高整车的经济性能。试验结果验证了本文所提方法的有效性。     

运用改进模糊C均值算法的复杂产品功构单元模块划分方法

为了解决目前已有聚类方法在复杂产品功构单元模块划分过程中存在的问题,提出了一种基于改进模糊C均值算法(D-FCM)的产品功构单元模块划分方法。该方法运用距离矩阵生成样本分层聚类树,结合F统计量方法确定模糊C均值算法最佳聚类数,在此基础上,应用模糊C均值算法进行聚类分析,获得聚类结果。最后,结合实际项目给出该聚类方法在机床模块划分过程中的典型应用,对该方法进行实例验证。以此为基础,开发出机床模块划分系统平台。系统实现及设计结果表明了所提出方法的有效性,为面向配置设计的机床模块划分提供了另一种有效的模块划分方法。     

浅析基于网格划分电梯振动异常数据快速检测算法

针对现有的异常数据检测算法存在的问题,本文在网格划分的基础上,提出了基于网格划分电梯振动异常数据快速检测算法。在进行数据预处理后,对振动数据进行中心区域聚类,从而获取其电梯运行期间电梯振动的整体表现,通过实验表明,本文算法还能快速有效地检测出电梯运行过程中的异常数据,为快速判断电梯运行安全情况提供了数据支撑。     

基于Bagging集成聚类的改进遗传算法在装配线平衡中的应用

针对装配线平衡优化问题中传统遗传算法搜索深度不足的问题,提出一种基于Bagging集成聚类的改进遗传算法,用于平衡优化。通过Bagging对几个K均值算法基学习器进行集成学习,建立一种基于Bagging集成聚类算法的种群聚类分析方法,然后建立双目标装配线平衡优化模型,利用种群聚类分析方法来改进遗传算法的交叉环节,以提高搜索深度。在实例中验证了改进遗传算法在求解双目标装配线平衡问题中的有效性和搜索性能。     

EWT多尺度排列熵与GG聚类的轴承故障辨识方法

针对滚动轴承故障信号具有非线性、非平稳性特点导致的故障类别难以辨识问题,提出一种基于经验小波变换、多尺度排列熵、GG(Gath-Geva,简称GG)聚类算法相结合的故障诊断方法。首先,采用经验小波变换对滚动轴承的原始信号进行分解、得到若干个固有模态分量,初步提取滚动轴承的状态特征值;其次,通过相关性分析选择最优模态分量,并在多个尺度下计算其排列熵值;最后,运用主成分分析对高维熵值特征向量进行可视化降维、并输入到GG聚类算法中,实现对滚动轴承的故障辨识。与其他模式组合方法进行比较的结果表明,本研究提出的故障辨识方法具有聚类结果的类内紧致性更好的优点。     

基于外形特征的三维模型聚类方法研究

针对实际应用中三维模型数据集的模型分类管理、检索聚类预处理等聚类问题,提出了一种基于划分方法的无监督聚类模型。该模型通过以傅里叶矩不变算法为基础的特征提取算法,综合运用了现有聚类算法,将特征提取和聚类计算有效结合起来,充分考虑了聚类模型数据格式的敏感性问题。计算结果表明,该方法对有一定类结构的数据集在有整体聚类效果的情况下有一定的局部最优性。     

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.     

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。     

基于动态免疫模糊聚类的金属焊缝缺陷等级磁记忆识别模型

针对焊缝应力集中及隐性损伤等级的磁记忆定量识别难题,提出一种基于免疫优化的动态模糊聚类模型。以Q235钢预制未焊透焊缝试件为试验材料,进行疲劳拉伸试验,参比X射线同步检测结果与定量标准,提取不同等级的磁记忆信号特征参数向量,考虑试验数据在焊缝缺陷各等级临界状态识别上的模糊、不确定性,引入动态模糊聚类算法,通过输出阈值λ获得初始模糊聚类划分,进一步考虑动态模糊聚类算法易陷入局部最优值等问题,采用具有全局搜索和并行能力的免疫算法进行优化,获得最优阈值λ,最终建立免疫优化的动态模糊聚类模型。验证结果表明,该模型预测损伤等级准确率达90%,为实际工程焊缝缺陷等级评定与设备安全定量评价提供新思路。     

基于图论模糊聚类的室内自适应RSSI定位算法

针对现有RSSI定位算法无法满足室内环境下对目标的自适应定位,提出一种基于图论模糊聚类的室内自适应RSSI定位算法IAL-GT-FC。算法根据室内环境下各区域RSSI分布的差异性,建立基于图论和模糊聚类的RSSI模糊聚类模型,并基于该模型将定位区域自适应划分成若干环境差异较小的子区域;通过建立参数自适应规则,自适应调整各子区域内的环境参数,使其满足该区域内RSSI测距的需要;结合该区域内的环境参数,通过建立相邻区域间的RSSI补偿机制对未知节点进行RSSI测距补偿;最后采用权重质心法对未知节点进行位置求解。通过实验,证明该算法具有较高的定位精度和较强的自适应能力,能够满足室内环境下对目标的精确定位。