全矢—模糊核聚类在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。     

基于Weibull和GG模糊聚类的岸桥减速箱健康状态识别方法

针对岸桥减速箱健康状态的识别问题,研究并提出一种威布尔分布与GG(Gath-Geva)模糊聚类相结合的健康状态识别方法。首先应用包络法对因岸桥工况的复杂性引起的噪声进行数据去噪,然后通过对低速轴振动信号进行威布尔分布拟合得到形状参数和尺度参数,定量反映了采集样本的变化特征。为了进一步对减速箱振动信号进行状态识别,采用GG模糊聚类方法对减速箱健康状态的不同阶段进行划分,实现对不同健康状态的识别。采用来自NetCMAS系统采集的试验数据进行实例分析,并与GK、FCM算法进行对比,结果表明该方法的有效性,聚类效果更好。     

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,...     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

基于小波矩和模糊核聚类的示功图诊断方法研究

提出了基于小波矩特征和模糊核聚类算法的示功图故障诊断方法.通过边缘检测和形态学细化的方法完成示功图的图像分割,采用极坐标下小波不变矩算法提取示功图的形状特征,通过参数选择确定12个小波矩特征量,将特征量输入到模糊核聚类分类器中进行故障类型的分类识别,得到了良好的实验效果,验证了该算法对于示功图故障诊断的有效性.     

自适应NWFE-KFCM算法在旋转机械故障辨识中的应用

为提高故障辨识准确率,提出一种专用于故障数据集自适应确定聚类类别数目的非参数加权特征提取(NWFE)和模糊核C-均值(KFCM)相结合的算法。以一个双跨度转子实验台作为实验研究对象,在将核函数与模糊C-均值方法相结合的基础上,采用NWFE算法中加权聚类中心的计算实现了为每个样本分配不同的权值,并引入聚类评价指标PBMF自适应地确定出最佳聚类数目。用Iris经典数据集对算法进行验证表明,所提算法能够克服传统算法中存在的同等对待不同样本特征和完全靠先验知识确定聚类数目的弊端。将该算法应用到转子实验台模拟故障的特征数据集中,进一步表明了其在转子故障数据集聚类分析中的有效性和实用性。     

基于图像处理及特征提取的保护回路压板状态识别与判断

针对二次回路保护压板状态判别困难以及错误率较高的现象，提出了基于图像处理及特征提取的保护回路压板状态识别与判断方法。针对二次回路压板的定义以及状态判据进行了分析，提出了利用直觉模糊C均值聚类方法对红外图像进行分割，得到最佳隶属度和聚类结果。利用聚类后的图形进行特征提取，利用基于方向梯度直方图的方法对特征进行分析，并利用支持向量机选择关键的样本信息进行分类，最终实现压板状态对比和判断。利用仿真分析说明了所提方法的有效性和适用性。     

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。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

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。     

基于图像处理的光纤预警系统模式识别

针对相位敏感光时域反射计(Φ-OTDR)光纤预警系统对一维信号进行模式识别产生的误报和较低的识别效率,提出基于形态学方法提取时空二维信号特征,并利用相关向量机(RVM)分类器对事件进行分类识别的方法。首先,将Φ-OTDR采集到的时空二维信号当作图像,根据信号在图像上的特征采用图像处理的方法对不同入侵事件信号进行阈值分割。然后,基于本文提出的特征提取方法,利用不同事件区域在幅值、面积、形状以及区域间隔上的差别提取不同信号特征。最后,利用相关向量机分类器对不同事件信号进行识别并采用"一对一"的多分类策略。对3种管道安全事件进行了实验。实验结果表明,本文提出方法的识别精度能够达到97.8%,而算法时间不到1s。与传统模式识别方法相比,提出的算法大幅度地改善了系统性能,且简便易行,能够满足Φ-OTDR光纤预警系统在线实时监测的要求。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

基于单目视觉的无人车环境感知技术研究

为提高无人车的主动安全性能,对其环境感知技术进行了研究,提出了一种在结构化道路上基于单目视觉的汽车前方可行区域内的障碍物检测方法;在确定路面感兴趣区域时,提出了基于模糊聚类的边界跟踪检测算法,实现对车道线的识别;针对序列图像帧间差分法的不足,提出了一种基于帧间差分法的二次改进算法,在突出障碍物特征信息后,采用了静态单帧图像特征处理算法,确定出障碍物位置。实验结果表明,该方法能够有效地识别出车道标志线以及感兴趣区域内的障碍物信息。     

基于径向基函数神经网络的板形模式识别研究

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络（RBF）的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF网络的参数,解决了传统方法学习时间较长的问题。实验表明,该方法能有效的提高板形模式识别的精度和速度。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象，首先用局部投影消噪方法对振动信号进行消噪；其次对消噪后的振动信号绘制递归图，进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取，选择确定率（DET）和递归熵(ENTR)2个特征构成特征向量，构成故障特征样本；然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别；最后，将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明，基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。     

基于短时滑移模糊熵和LPP的轴承故障诊断

针对旋转机械设备的故障特征微弱和环境噪声强等问题,提出了一种基于短时滑移模糊熵和局部保留投影法(locality preserving projection,简称LPP)的故障特征提取方法。首先,通过对滑移截断短时序列的架构分析,引入多尺度复合模糊熵,获得信号在不同复合尺度下的特征信息和故障潜在特征,能准确反应信号复杂度和不确定性;其次,应用LPP流形降维并保留信号的局部数据特征,设计最优带通滤波器,对轴承振动信号进行故障冲击特征提取。仿真分析和实验数据结果验证了该方法在强背景噪声情况下降噪抑制方面的有效性,具有快速识别和提取滚动轴承的微弱冲击特征的能力。     

保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。