基于模糊C-均值聚类算法的柴油机磨损状态评判

论述了模糊C-均值聚类算法的原理与步骤，选取光谱分析中磨损元素的含量和3个定量铁谱参数作为特征参数，将模糊C-均值聚类算法应用到柴油机磨损状态评判体系中，可以得到聚类中心和用于分类的标准向量。对聚类结果进行了验证，表明应用模糊聚类的方法评判柴油机的磨损状态是可信的和准确的。     

基于模糊C-均值聚类算法的柴油机磨损模式识别

将模糊C-均值聚类算法应用到柴油机磨损模式评价体系中,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果进行比较,证明模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

C-均值聚类算法在变速箱故障诊断中的应用

通过一个实例,介绍了动态聚类法中C-均值算法在变速箱故障诊断中的具体应用。分析表明,使用C-均值算法对故障数据进行聚类分析,不需要模式的先验知识,且分类结果正确率较高,简便实用。     

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息G_X和类中心点的近邻信息G_V融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。     

基于层次聚类的状态监测数据衰退模式挖掘

故障预测与健康管理(prognostics and health management,简称PHM)技术,是在现代复杂设备的高可靠性和高安全性要求下,实现视情维修的一种新的技术理念。PHM技术的研究方向之一就是利用系统状态监测数据中包含的信息,对设备的健康情况和发展趋势进行评估、分析和预测。针对基于状态监测数据的衰退模式挖掘问题,提出了一种P-D-H聚类方法,以实现衰退模式的挖掘。首先,通过分段聚合近似(piecewise aggregate approximation,简称PAA)方法对由状态监测数据形成的退化轨迹时间序列进行模式表示;其次,采用动态时间弯曲距离(dynamic time warping,简称DTW)作为模式序列的相似性度量;最后,采用层次聚类的方法实现衰退模式聚类。用此方法对滚动轴承磨损状态监测数据进行了衰退模式挖掘,验证了方法的有效性。基于复杂系统状态监测数据的模式聚类方法能够有效实现系统健康衰退模式的挖掘,模式挖掘的结果可以为应用状态监测数据进行系统健康的预测奠定良好的基础。     

基于加权灰色关联分析与模糊C-均值聚类的柴油机磨损模式识别

将加权灰色关联分析与模糊C-均值聚类(fuzzy center-means clusteving)算法相结合应用到柴油机磨损模式评价体系中,以Bezdek准则和模糊熵值为度量指标加强全局搜索能力并确定了加权指数m值,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果相比较,证明加权模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improvedsemi-supervised fuzzy c-means clustering algorithm,ISS-FCM).定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以...     

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。     

数据预处理和初始化方法对K-均值聚类的影响

基于酵母二次迁移实验中表达谱相似的五类基因表达数据,研究了不同相似性度量准则、数据预处理方法及质心初始化方式对K-均值聚类效果的影响.结果表明若对基因表达数据进行K-均值聚类分析,最好采用能反映数据结构特征的向量对质心进行初始化.若随机初始化质心,则采用取相对表达水平的预处理方式,以欧几里德距离(Euclidean distance)作为相似性测量准则,可以获得最佳的聚类结果;在欧氏距离准则下,标准化处理因可能破坏原始数据的幅度特征,而导致聚类结果变坏.若以Pearson相关系数为相似性准则则不同的数据预处理方式对结果无显著影响.     

基于模糊聚类的产品模块化形成过程分析

阐述了大规模定制与产品模块化设计相结合的可能性,考虑了全生命周期中影响零件交互关系,以及产品模块形成的一系列因素.应用模糊聚类算法,分析了模块的有序聚类形成过程.结合典型特例表明,本文所提出的方法对产品模块化的形成具有较强的适用性和有效性,为面向大规模定制的模块化敏捷生产模式提供了另一种数值分析和评价手段.     

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。     

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高.     

基于LabVIEW的滚动轴承非平稳过程监测诊断及性能评估系统的开发

以LabVIEW软件为开发平台,建立滚动轴承非平稳过程故障诊断及性能评估系统,完成系统硬件和软件的设计。系统采用NI9234数据采集卡,针对变工况下滚动轴承振动和瞬时角速度信号进行采集和分析。该系统集成了多通道数据采集、试验台控制、数据库存储以及基于该文研究算法的测试分析等模块。     

基于模糊失效阀值的性能退化数据可靠性分析

针对利用产品性能退化数据进行可靠性分析而采用固定失效阀值评价时,忽略实际工程中多因素对失效阀值影响的问题,根据产品的失效阀值具有模糊性的特点,在固定失效阀值基础上,引入模糊区间代替固定失效阀值,形成模糊失效阀值,推导并给出了在模糊失效阀值的情况下,产品基于性能退化数据的计算方法,使得理论方法与工程实际更加接近.通过工程实例比较分析,表明方法的可行性和优点.     

采用改进最优模糊C均值聚类和改进和声搜索算法的配电网动态重构

针对配电网络动态重构中的开关操作次数约束难以处理与和声搜索算法寻优效率低的问题,分别提出了改进的最优模糊C均值聚类法和改进的和声搜索算法,利用前者对研究时间区间的负荷进行聚类从而将配电网动态重构转为以聚类中心代表各分段负荷的多个静态重构子问题,利用后者对各静态重构问题进行求解。每个时间点的优化网络结构由相应的聚类中心的重构结果决定,由此得到配电网络重构的操作时间点和操作开关。在IEEE 33节点配电系统负荷数据的基础上构建1天的负荷数据并对该系统进行动态重构。研究结果表明,该方法能够控制开关操作次数,提高静态重构算法的寻优效率。     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。     

基于变权重方法的铣削性能模糊综合评价研究

基于多因素不同组态变化的变权重方法,提出了一种铣削加工性能模糊综合评价方法。与传统的常权类方法相比,变权重表征了残余应力、表面质量、材料去除率等因素构成的不同组态对切削性能的影响,并能够体现各因素的均衡性。该方法适用于任意类型铣削加工性能评价。算法与试验分析表明,应用该评价方法获得的结果数值更小,可使用有效铣削参数范围更大,因而该方法具有更高的准确性和适用性。     

基于模糊聚类分析的特征识别方法及其应用

针对高维数据给智能学习算法带来的维数灾难,提出了一种特征提取与聚类分析相结合的特征识别方法.该方法基于小波包变换对振动信号进行特征提取,采用模糊传递闭包法,对信号的特征频段进行识别和分析,实现对信息的进一步压缩.针对模糊传递闭包法中关于阈值的确定问题,从样本之间的"紧致度"和"分离度"出发.建立了聚类有效性函数评价模糊聚类算法模型,并确定最优聚类.通过实例分析,验证了该特征识别方法在信息压缩和特征识别中的有效性和实用性.     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。