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。     

基于改进密度峰值聚类的航空发动机故障诊断

针对快速搜索发现密度峰值聚类(CFSFDP)算法存在的密度中心选择不方便、聚类精度不高的问题,提出基于马氏距离的自动搜索发现密度峰值的聚类算法。该算法将马氏距离引入距离测定中,提高了聚类精度;提出聚类中心判定参数γ,自动获得了聚类中心。采集航空发动机转子模拟振动信号实验数据,分别采用传统CFSFDP算法、改进后的CFSFDP算法、K均值聚类和模糊C均值聚类进行分析,结果表明,所提算法能够很好地改善聚类精度,其聚类精度相比K均值聚类和模糊C均值聚类有很大优势,且在故障特征的分类与识别上均优于其他两种算法。     

基于ABC-DPC算法的玻璃窑炉能耗异常检测

针对传统的窑炉异常检测方法易受主观因素干扰且存在异常冗余报错的情况,提出一种基于人工蜂群算法的密度峰值聚类(ABC-DPC)的玻璃窑炉能耗异常检测方法。该方法针对密度峰值聚类存在人工设定参数和无法自动划分簇中心和离群点的不足,以人工蜂群算法实现了截断距离的自适应优选过程,并设立离群系数策略以实现自动划分簇中心和离群点的功能。研究了玻璃窑炉的分层能耗模型,并基于此导出能耗特征值,然后应用ABC-DPC算法实现窑炉异常能耗的聚类检测。实验结果表明,所提出算法较于经典聚类算法,检测准确率较高,而且能实时地检测窑炉的能耗异常状况。     

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。     

密度蚂蚁思想的K-Means算法的研究

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力.K-Means、基于密度的聚类是常见的基于分割的聚类方法,它在处理空间数据时具有快速、有效处理噪声点和发现任意形状的聚类等优点.聚类算法概述聚类分析是数据挖掘领域中的一项重要的研究课题,本文主要研究是将遗传算法,蚂蚁算法、K-Means算法、密度思想结合在一起,提出了一种基于密度蚂蚁思想的K-Means算法,采用密度函数法的多中心聚类并结合小类合并运算的聚类结果明显优于K-means的聚类结果,提高了聚类的质量.再结合密度思想,使蚂蚁有选择地遍历,提高了算法效率,并克服了基于密度的算法不能发现任意形状聚类的问题.     

基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别

对模糊C-均值聚类算法改进及在齿轮故障高效、可靠识别中的应用进行研究,提出了一种新的计及模糊聚类和特征选取的在线齿轮故障识别方法—基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别算法.设计多核函数和贪婪聚类中心初始化策略,以克服模糊聚类算法对初始值敏感、高维复杂数据聚类鲁棒性差的缺陷;提出特征子集选取机制,...     

双重不确定条件下危险品运输的多目标优化

针对危险品运输路径优化问题,考虑危险品终端需求量和人口中心的不确定性影响,构建了双重不确定条件下以运输成本和风险系数的期望值最低为目标的随机优化模型。设计了基于优先权的多目标粒子群遗传混合算法结合样本平均近似法对随机模型进行求解,并进一步采用基于动态拥挤距离的精英解集更新。通过算例分析和算法对比验证了模型的可行性和算法的有效性,并进一步对不同样本规模下的结果进行了稳定性分析,对需求量和人口数量两个不确定条件进行灵敏度分析。实验结果表明改进的多目标粒子群算法可有效解决该问题,且具有很好的收敛性和多样性,不同样本规模和不确定性条件均会对路径规划产生影响,所得结果可以为决策者提供参考。     

应用改进的粒子群优化模糊聚类实现点云数据的区域分割

为实现点云数据的区域划分,提出一种基于改进的粒子群优化与模糊C-均值聚类的混合算法(SPSO-FCM算法)。针对在点云聚类过程中易过早捕获局部极小值的问题,算法首先用改进的粒子群算法——社会粒子群优化算法,对种群进行初始化,通过为每一个粒子设置不同的跟随阈值,来维护种群中个体多样性,加深对种群全局搜索的程度,避免陷入局部极小值;随后,设置种群中每个粒子当前最优位置和初始种群的最优位置,更新自由粒子的位置和跟随粒子的速度和位置;最后,采用模糊C-均值聚类算法求解隶属度矩阵,确定适应值函数,更新所有粒子的最优位置,并判断粒子和种群的位置优越性,得到准确的聚类中心,实现对点云数据的区域划分。以曲面复杂度不一致的点云模型为例对算法进行验证,探讨SPSO-FCM聚类算法的可行性,并与FCM聚类算法、遗传FCM聚类算法进行比对。实验结果显示,SPSOFCM聚类算法较其它两种算法,收敛速度快,迭代次数少,聚类准确,边界区域分割清晰,特别是对型面复杂、点云数据较多的机械零部件点云数据进行分割时,能得到更好的分割结果。     

面向云制造的资源集群聚类方法研究

针对云制造平台海量多样的服务资源分类界限模糊的问题，分析了云服务和制造资源之间的关系，提出云制造下混合式资源服务聚集模型。此外，文章基于k-means聚类算法建立了聚类有效性评估函数；针对k-means聚类算法对初始聚簇中心敏感易陷入局部最优的缺点，引入蛙跳算法确定初始聚簇中心，利用反向解扩大初始蛙群的搜索范围，结合最优解均值改进族群最差蛙的优化，提高族群的信息共享能力，结合改进后的蛙跳算法和k-means迭代，提出一种基于蛙跳算法改进的k-means聚类算法。最后，以两种数据集和云平台上同类机床资源为例，验证了所提聚类算法的有效性和可行性。     

密度峰值快速搜索与聚类算法及其在船舶位置数据分析中的应用

密度峰值快速搜索与聚类算法(CFSFDP)是2014年发表在《科学》上的一种新颖的聚类算法,该算法通过计算样本点的局部密度和到局部密度比它大的样本点的距离,采用决策图的形式确定聚类中心,能快速发现任意形状数据集的密度峰值点,并高效进行非中心样本点分配。但是当数据集中簇间密度差别较大或者某个簇中存在多密度峰值时,聚类结果较差。针对该问题,采用相对密度作为度量样本点密度的尺度搜索密度峰值,优化CFSFDP算法。人造数据集和UCI真实数据集上的实验表明,在没有显著提高时间复杂度的基础上,算法的性能优于CFSFDP算法和具有噪声的基于密度的聚类应用(DBSCAN)算法。最后将新算法应用于船舶位置数据,分析船舶交通流特征和群体行为模式,取得了满意的结果。     

基于核熵成分分析的流式数据自动分群方法

针对多参数流式细胞数据传统人工分群过程复杂、自动化程度不高等问题,提出了一种基于核熵成分分析(KECA)的自动分群方法。选取对瑞利(Renyi)熵具有最大贡献的特征向量作为投影方向,对数据进行特征提取;设计了一种基于余弦相似度和K-means算法的分类器,并采用一种基于向量夹角的最佳聚类数确定方法,最终获得细胞的分类标签。对实验获得的淋巴细胞免疫表型分析数据进行处理,结果表明,该方法能够实现细胞的快速、自动分群,整体分群准确率能够达到97%以上,操作简单便捷,提高了细胞分析的效率。     

基于DSP的中药丸料湿度密度在线检测系统

设计与研制一种能在现代化中药制药生产线上在线连续测量中药丸料湿度与密度的微波检测系统。系统包括三个组成模块：微波信号源模块，微波谐振腔，数据处理模块。其中，微波谐振腔是专门设计用于中药丸料湿度与密度检测的中心开通孔的金属谐振腔，当中药丸料通过微波谐振腔的中孔时，丸料密度及湿度均令谐振腔的谐振频率产生偏移和功率衰减，数据处理模块据此计算中药丸料的湿度与密度。为提高检测精度，采用模糊聚类算法对实验数据进行分组，对金属谐振腔的频偏和功率衰减特性进行建模，并利用DSP设计并实现了中药丸料湿度与密度的在线检测。现场调试表明：该检测系统适宜于现代化中药制药生产线上的湿度连续在线测量，其检测精度达到93％以上。     

基于复杂网络聚类的提升机主轴系统故障诊断

针对摩擦提升机主轴系统故障耦合、特征微弱且故障样本不易获得的问题,提出一种基于复杂网络聚类的故障诊断方法。该方法从故障数据表现出社团结构的本质出发,以各数据样本为节点,样本间相似度为有权边,构建加权无向复杂网络模型。将欧氏空间的距离概念推广到样本的相似性度量上提出广义Ward距离,并以此为划分准则,采用凝聚型合并过程实现网络模型中社团的聚类,即故障样本的模式识别。对主轴系统过载、滚动轴承元件故障及减速器齿轮磨损的分析结果表明,该方法能准确对已知故障类型数据进行聚类,且在过程中不预设类别数,为收集异常数据以便未知故障的发现与诊断提供了数据支持。与多元支持向量机与快速Newman算法的对比结果表明,该方法具有更高的识别精度与效率。     

模式识别在机械自动化制造过程中的质量监控

为降低机械自动化制造过程中的废品率,提出模式识别在机械自动化制造过程中的质量监控方法,监控自动化制造过程中的产品质量,提高对产品质量的识别精准度。基于机械自动化制造过程中的质量检测环节,创建机械自动化制造过程中的产品质量监控流程。采用数字化测量仪采集机械自动化制造生产线质量数据,创建 SPC 控制图。基于 SPC 控制图模式识别的质量监控方法,将 k-means 算法与粒子群算法相结合,利用改进 k-means 算法获取控制图模式产品质量数据集聚类中心,结合欧氏距离,提取 SPC 控制图距离特征。将其输入多分类的支持向量机中,识别机械自动化制造过程中的产品质量控制图模式类型,诊断异常因素,并采取相应调控措施,实现机械自动化制造过程中的质量监控。实验表明:该方法可有效提高控制图的识别精准度,缩短训练与测试时间;并有效监控机械自动化制造过程中的产品质量。     

混合聚类新算法及其在故障诊断中的应用

针对模糊C-均值(FCM)聚类算法假设各维特征和每个样本对聚类贡献相同,同时需要预先设定聚类数的不足,利用3层前馈神经网络、点密度函数算法和聚类有效性指标对其进行改进,提出一种新的混合聚类算法。该算法考虑到不同特征和不同样本对聚类结果有不同程度的影响,并根据聚类有效性指标的变化自适应确定聚类数来实现聚类。利用基于梯度下降的3层前馈神经网络通过无监督训练来自适应学习特征权值,使用基于点密度函数的算法获取样本权值,给不同特征和不同样本赋予权重,突出敏感特征和典型样本的主导作用,抑制其他特征和样本对聚类的干扰,以提高聚类性能。研究结果表明,对于国际标准测试数据和某机车轴承的早期故障诊断,该混合聚类算法不但能自动确定聚类数,而且聚类的准确性明显比FCM高。     

基于狄利克雷过程聚类的机器人演示学习研究

针对演示学习中高斯混合模型参数估计效率低,泛化能力不足的问题,提出一种基于狄利克雷过程聚类和高斯混合模型的复合动态运动基元算法。为实现高斯混合模型参数的实时估计,使用基于距离阈值的狄利克雷聚类算法进行演示轨迹点在线聚类,并引入Welford公式更新参数以提高参数估计效率。获得轨迹分布特征后,使用动态运动基元进行高斯混合回归轨迹的编码,以提高轨迹泛化能力。为了验证算法的有效性,引入了轨迹可达性和相似性指标评价算法的学习泛化能力,设计了基于手写体字母轨迹和机器人动觉示教的演示学习实验。实验结果表明,所提复合动态运动基元算法参数估计平均时间仅0.052 ms,具备快速轨迹复现和泛化能力。     

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。     

基于微波谐振器的谷物湿度检测系统

设计和研制一种能连续测量谷物湿度的微波检测系统.提出利用微波谐振器的干扰特性测量谷物的湿度,并设计专用于谷物湿度检测的中心开通孔的微波谐振器.当谷物颗粒通过微波谐振器的中孔时,其质量和湿度都令谐振器的谐振频率产生偏移和功率衰减,谷物的质量和湿度两者所引起的谐振频率偏移和微波功率衰减是相对独立的,在同一湿度下谷物的质量仅仅与微波功率的衰减量有关.因此在得到谐振频率的偏移量和微波功率的衰减量后,就可以计算谷物的湿度.在大量试验的基础上,对试验数据进行模糊聚类,从而对微波谐振器的频偏和功率衰减特性进行建模,据此设计并研制了谷物湿度的微波连续检测系统.试验调试表明:该检测系统适宜于谷物的连续湿度检测,检测精度达到92%以上.     

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.