基于模糊聚类的神经网络故障诊断方法

提出基于模糊聚类的BP神经网络（Fuzzy Clustering BP Neural Network,简称FCBPNN）故障诊断的理论和方法,即利用模糊聚类准则对样本数据进行预处理.通过仿真比较FCBPNN与简单BPNN两种方法在抽风机组的故障诊断中的应用,证明了该方法的有效性.     

基于模糊聚类的神经网络故障诊断方法

提出基于模糊聚类的BP神经网络(FuzzyClusteringBPNeuralNetwork,简称FCBPNN)故障诊断的理论和方法,即利用模糊聚类准则对样本数据进行预处理。通过仿真比较FCBPNN与简单BPNN两种方法在抽风机组的故障诊断中的应用,证明了该方法的有效性。     

模糊聚类算法船舶故障诊断中的应用

众多船舶设备构成一个复杂设备系统,对其使用传统的故障诊断方法,不能及时检测出相应故障,进而对船舶的安全运行产生重大影响。因此,本文将WRTCM聚类算法结合模糊故障诊断方法应用到船舶设备的故障诊断中。?WRTCM算法是建立在概率典型性和聚类排斥基础上的一个的新型无噪声模糊聚类方法,它是对RTCM算法的有效改进,该算法解决噪声环境下有可能产生一致聚类中心,从而提高了聚类精度。通过船舶主机轴系的故障数据试验,证明了该算法的有效性。     

基于模糊聚类神经网络的电站锅炉故障诊断研究

建立了电站锅炉故障样本及其故障诊断的模块化模糊网络模型,并用可能性聚类算法对所建模型进行了样本聚类,有效地避免噪声对聚类结果的影响,保证了聚类正确性。实验结果表明其网络训练速度和精度明显提高,解决了BP网络应用于复杂系统故障诊断时容易陷入全局最小问题。且该网络采用多输出结构不仅能对故障是否发生进行故障诊断,而且还能判断故障发生的严重程度。     

基于模糊聚类的模糊关联规则挖掘

通过模糊聚类，从已知数据中得到数据点对数据类的隶属度，并以此进行模糊关联规则的挖掘，从而使得模糊关联规则的发现不依赖于人类专家预先给出的隶属度函数；并且实验表明。聚类并没有带来显著的顿外计算时间，对于大型数据库，文章提出的方法是有效的。     

基于模糊聚类的某型自行火箭炮电传动装置故障诊断

模糊理论的提出为复杂系统故障诊断提供了有力的分析工具。采用模糊C-均值聚类算法对所采集到的由标准故障样本和待检样本组成的原始数据进行聚类,并用基于传递闭包的模糊等价矩阵法和F-统计量,对原始数据进行初始分类,再将分类情况转化为相应的模糊C-均值法的初始迭代矩阵进行聚类分析,得到最优分类矩阵和聚类中心,从而判断待检样本的故障类型。通过对某型自行火箭炮电传动装置进行故障诊断,表明故障检测准确率高,且易于故障诊断的智能化,具有良好的应用前景。     

基于模糊聚类的并行测试系统故障诊断方法研究

在分析并行测试系统开放式体系结构的基础上,给出了系统并行故障诊断的概念和定义,并将模糊c均值聚类算法引入到并行故障诊断领域;探讨了利用该算法对多个UUT同时进行故障诊断的实现问题,设计了算法步骤,并以对某型导弹发射装置电子部件的几类典型故障的诊断为例对算法有效性和可行性进行了验证;结果表明,运用模糊聚类算法能够有效提高测试系统的故障诊断效率,增强测试系统的故障识别和定位能力,解决系统对多个同类型UUT并行故障诊断的问题。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。最后通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

一种融合RST与模糊聚类的故障诊断方法

针对模糊聚类方法中存在冗余信息的问题,提出一种融合粗糙集属性约简和模糊等价关系的故障诊断方法,通过应用粗糙集属性约简算法对冗余数据的处理后再应用模糊等价关系聚类获取聚类结果。该方法与单采用模糊等价关系聚类法相比,不仅能够有效减少模糊等价关系矩阵求解中的迭代次数,而且获得聚类数也得到有效降低,并通过实例验证了该方法的有效性和高效性。     

基于工作参数的柴油机故障诊断方法

通过台架试验采集了柴油机不同状态下的多组工作参数,利用Boot-strap统计模拟方法对每种参数的分布区间进行估计,并以此对不同故障下的数据进行分类,建立了BP神经网络模型对典型故障进行识别.经验证,利用柴油机工作参数进行故障诊断是切实可行的,该方法大幅度提高了多参数诊断的准确性和有效性.     

基于模糊聚类的燃气轮机故障诊断

论文把EFCM算法应用到了燃气轮机的故障诊断中,该方法不需进行迭代计算模糊聚类的中心向量,可以减少计算量。结果表明该方法可以准确的对不同的故障进行区分,并对EFCM和FCM两种算法做了比较,表明EFCM算法在性能上优于FCM,可用于燃气轮机状态在线监控和诊断。     

基于结构及行为的柴油机智能故障诊断

智能故障诊断技术是一种新的故障分析方法,它更为注重从系统整体结构 来考虑故障发生的原因以及故障之间的传导关系。基于结构及行为的诊断是智能诊断发展的 一个新突破,是一种基于模型的诊断（MBD, Model-Based Diagnosis）。深入研究了模型建立、 诊断产生和诊断测试的方法,实现了一个可以应用到生产实际的诊断系统,并应用于柴油发 动机进气系统的故障诊断中。     

基于极限学习机的船舶柴油机故障诊断

针对传统深度核极限学习机网络仅利用端层特征进行分类导致特征不全面，以及故障诊断分类器中核函数选择不恰当等问题，提出基于多层特征表达和多核极限学习机的船舶柴油机故障诊断方法。利用深度极限学习机网络提取故障数据的多层特征；将提取出的各层特征级联为一个具有多属性特征的故障数据特征向量；使用多核极限学习机分类器准确地实现柴油机的故障诊断。在标准分类数据集和船舶柴油机仿真故障数据集上的实验结果表明，与其他极限学习机算法相比，该方法能够有效提高故障诊断的准确率和稳定性，且具有较好的泛化性能，是柴油机故障诊断一个更为优秀实用的工具。     

船舶柴油机故障诊断方法的研究

研究船舶柴油机故障诊断问题,由于船舶柴油机故障样本相当少且样本极不平衡,系统复杂,传统故障诊断方法均是采用大样本的学习方法,易出现过拟合,得到局部最优解,导致船舶柴油机故障的准确率较低。为了提高船舶柴油机故障的准确率,采用专门针对小样本的支持向量机进行船舶柴油机故障诊断。首先建立船舶柴油机故障样本集,采用层次支持向量机构造柴油机故障诊断树,解决样本不平衡问题,最后进行船舶柴油机故障诊断。实验结果表明,支持向量机不仅提高了柴油机故障训练和诊断速度,且提高了故障诊断的准确率,较好解决船舶柴油机故障诊断中的过拟合、小样本等问题,可以为船舶正常工作提供保证。     

组合算法在柴油机故障诊断的应用仿真

研究柴油机故障诊断问题。柴油机故障具有小样本、特征间冗余信息严重等特点,用大样本的神经网络无法对故障进行准确诊断。为提高柴油机故障诊断精度,提出一种粗糙集和支持向量机相融合的柴油机故障诊断算法。首先采用粗糙集对柴油机故障特征属性进行约简,消除特征间冗余信息,然后采用专门针对小样本的支持向量机建立柴油机故障诊断器,最后进行柴油机故障诊断仿真测试。测试结果表明,改进方法提高了柴油机故障诊断效率和精度,可为柴油机故障定位和分析提供有价值参考意见。