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。     

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.     

基于大数据分析的变频器异常检测方法

变频器设备机理复杂、设备监测数据异常样本少,导致在实际应用中基于经验和基于模型的异常检测方法操作性难、常规的数据驱动方法可行性差.针对上述问题,结合密度峰值聚类与时序运行数据的转移特点,提出一种基于大数据分析的变频器异常检测方法.该方法首先通过密度峰值聚类将运行数据聚类,然后将时序过程数据在不同类簇间的动态变化规律用概...     

面向不平衡数据集的汽车零部件质量预测

针对汽车零部件质检数据存在合格品与不合格品数量不平衡的问题,提出了基于密度聚类与多工序制造特征的MCDC-MF-SMOTE质检数据过采样方法.先对少数类(不合格)与多数类(合格)样本分别进行密度聚类,再对多工序制造数据和类簇样本分布进行过采样权重计算;根据设定的过采样比和类簇权重,在少数类簇中进行过采样数据生成.使用M...     

基于扫描线点云的飞机蒙皮边界特征提取

针对飞机蒙皮类薄壁结构件边界特征提取效率不高的问题,提出一种基于扫描线点云的边界特征提取方法。考虑了测量点分布不均和边界微倒角的影响,在每条扫描线上提取边界特征点,使用边界特征点构造边界特征线。特征点的提取过程包括邻域搜索、测量点位置识别、直线拟合与求交。邻域搜索中将点沿扫描线排序,通过点的离散曲率区分面上点和边界点,使用表面和侧面上的点分别拟合直线,将直线的交点作为特征点。不在现有测量点中寻找特征点的方法,降低了保障特征点精度所需的点云密度且符合设计意图。通过应用实例验证了算法的提取精度和有效性。     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合（TFC）特征提取和改进的监督局部切空间排列（MS-LTSA）的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。     

基于融合评价指标的k-means聚类算法的地铁车轮踏面磨耗分析

采用聚类思想对某地铁线路大量车轮踏面磨耗数据进行特征提取，对其磨耗特征进一步分析，针对聚类参数转换方法对不同聚类效果评价指标造成的影响开展研究，提出基于融合评价指标的k-means均值聚类方法，解决利用聚类模型确定聚类数时，主观因素对聚类效果的干扰。结果表明：以轮缘厚度、轮缘高度及轮缘综合值作为聚类特征，以融合评价指标作为最佳聚类数的选择依据，采用相应聚类特征参数的方差对其加权方法进行聚类特征变换，能得到较好的聚类效果；将地铁车轮踏面聚成5类，采用均值的方法划分出5类典型磨耗廓形，并基于不同时间节点的车轮外形数据进行计算分析，进一步验证了该聚类方法的有效性，为地铁车轮踏面经济镟修策略提供了参考。     

基于稀疏表示的故障敏感特征提取方法

针对故障诊断中的特征选择问题,提出一种基于非负稀疏表示的低维敏感特征提取方法。为了增强主分量的可解释性,针对L1-范数优化目标,通过权系数的稀疏和非负约束实现非负稀疏主分量的提取。采用主分量特征的累积方差变化率自适应地确定稀疏度,并依据稀疏分量与原始特征少关联的需求确定稀疏分量的数目,实现敏感特征的优化提取。通过仿真数据的分析表明,非负稀疏分量不仅提取出描述原始数据分布的敏感特征,还提高了数据的聚类性能。将该方法应用于滚动轴承的多种故障状态识别中,在由非负稀疏主分量构成的特征空间中,数据的聚类效果优于主分量特征空间;综合分析稀疏参数的选取和敏感特征的提取过程,表明提出的稀疏表示方法不仅能自适应地确定稀疏度,还能有效地获取原始特征的敏感程度,为故障诊断特征提取提供了很好的解决方案。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

[供应链调度]无反射板激光导航机器人地图创建的特征提取

针对无反射板激光导航机器人地图创建的直线特征提取,采用逐步分解的方法,将直线特征提取分为断点检测、线段分割、直线提取三个步骤逐步分离点集。首先采用自适应阈值法进行断点检测;然后基于迭代适应点算法进行点集分离、线段分割;最后采用最小二乘法拟合直线并结合区域搜索法进行优化,进一步提高直线特征提取的精度。实验表明,算法的重复定位精度在±6 mm以内,特征提取时间不大于0.02 s,满足机器人的实际导航需求。     

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。     

基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG (Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征.为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱墒,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK (Gustafaon-Kessel)聚类进行了比较.实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,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。     

无反射板激光导航机器人地图创建的特征提取

针对无反射板激光导航机器人地图创建的直线特征提取,采用逐步分解的方法,将直线特征提取分为断点检测、线段分割、直线提取三个步骤逐步分离点集。首先采用自适应阈值法进行断点检测;然后基于迭代适应点算法进行点集分离、线段分割;最后采用最小二乘法拟合直线并结合区域搜索法进行优化,进一步提高直线特征提取的精度。实验表明,算法的重复定位精度在±6mm以内,特征提取时间不大于0.02s,满足机器人的实际导航需求。     

基于聚类离群因子和相互密度的离群点检测算法

针对大多基于聚类的离群点检测算法往往需要人工输入参数,对于不同的数据集很难选择一个合适参数的问题,将无参数的基于自然邻居的离群点检测算法的自然邻居搜索算法和密度峰值聚类算法相结合,提出一种基于聚类离群因子和相互密度的离群点检测算法。该算法使用相互密度和γ密度构造决策图,将γ密度异常大的样本点作为聚类中心进行聚类,最后根据聚类的离群因子找出离群聚类边界检测离群点,该算法不需要人工输入参数。在模拟数据集和真实数据集下进行了实验,证明了所提算法能很好地进行聚类和离群数据的挖掘。     

基于时空聚类的在制品流转状态分析

针对离散制造车间制造过程监控的需求,提出一种基于时空聚类的在制品流转状态分析方法。通过改进的动态密度网格聚类方法对车间在制品历史位置数据进行分析处理,获取在制品时空轨迹模型;并通过计算实时数据与模型的改进Hausdorff距离来判断在制品流转状态。以某机加工车间为例,验证该方法的可行性和有效性。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

基于线段扫描的碎纸片边界检测算法研究

提出了基于短线段扫描的碎纸片图像边缘检测算法,该算法用一系列短线段拟合碎纸片的边缘,这些短线段首尾相连,组成碎片边缘拟合曲线;在碎片边界拟合过程中,使用直线插补方法获得线段离散点,通过点的属性来判断线段与碎片边缘的拟合程度,同时使用圆插补方法旋转扫描线段,以保证线段扫描方向连续而没有间断;还分析了碎片图像噪声分布特点,提出了噪声点去除方法;同时提出了多碎片图像边缘检测方法.根据所提出的算法,研制了碎纸片边缘检测程序,并利用这些程序对两实际例子进行了分析,分析结果表明所提出的碎片边缘检测方法是可靠和有效的.     

三角网格模型的混合过渡特征提取方法研究

针对基于三角网格特征提取方法中角度阈值确定的问题,提出一种多阈值的特征提取方法,进行混合过渡特征的提取.该方法首先采用一组能识别出特征的角度阈值进行特征提取和面域分割,然后用最小二乘法拟合非特征面域点集获取拟合精度,通过比较不同阈值分割后面域的拟合精度确定出各个面域的最佳角度阈值,最后将非特征面域点集与特征点集分离实现...