一种混合聚类算法及其应用

通过分析基于网格与基于密度的聚类算法特征,提出了一种基于网格和密度的混合聚类算法,通过分阶段聚类并选取代表单元中的种子对象来扩展类, 从而减少区域查询次数,实现快速聚类。该算法保持了基于密度的聚类算法可以发现任意形状的聚类和对噪声数据不敏感的优点,同时保持了基于网格的聚类算法的高效性,适合对大规模数据的挖掘。实验数据分析验证了算法的有效性,对数据挖掘应用于设备状态监测和故障诊断具有指导意义。     

多密度阈值的DBSCAN改进算法

在分析了基于密度的聚类算法（DBSCAN）及其改进算法的缺点的基础上,提出了一种多密度阈值的DBSCAN改进算法。算法通过构建网格密度矩阵绘制密度分布图,辅助用户确定密度层次划分。根据基于网格与基于密度的聚类算法间的等效规则计算各个密度层次的密度阈值ε。通过多密度层次的聚类过程得到多个密度层次上的更加精细的聚类结果。解决了DBSCAN算法参数选取困难和难以发现密度相差较大的簇的问题,具有重要的实用意义。     

基于RFFS映射模型的组合夹具构形设计

从夹具功能的分层表达策略入手,建立了夹具需求-功能-特征-结构(Requirement-Function-Feature-Structure,RFFS)映射模型,并建立了工件装夹的面域网络模型,同时研究了组合夹具构形设计中的重要资源夹具元件库和夹具元件装配关系库的构建.     

基于时序模式挖掘的故障诊断方法

为发现生产过程中的故障传递和相互影响规则,并用于故障诊断,在监测系统的时序数据分析中引入序列挖掘技术,提出了采用基于核密度估计的符号空间划分方法,利用数据本身的分布特性对连续数值形的时序数据进行符号化,得到适于挖掘的符号序列.通过故障时窗约束、序列集成和序列化简,将多维非同步时间序列转化为与故障相关的序列数据库.在此基础上,采用序列模式挖掘算法对Tennessee-Eastman仿真数据进行序列挖掘,得到了以时序模式表示的故障过程的主要变化信息.实验表明该方法足可行且有效的.     

超声波技术用于零件表面硬度无损检测的研究

基于超声波振动频率特性与零件表面硬度的对应关系,研制开发了超声波硬度检测仪,有效解决了材料表面硬度的无损检测问题。根据实测数据进行曲线拟合,建立了测量系统在低硬度区间超声波频率值-硬度值的关系曲线和数学模型,并在生产现场对实测值与标准值进行了对比验证。     

基于多层实例库的组合夹具辅助装配研究

针对计算机辅助夹具设计系统的功能需求,提出了一种组合夹具智能辅助设计的装配模型,建立了基于装配特征的元件库、以典型路径形式存储的典型组件库和包含夹持面域关系信息的典型结构库所构成的多层夹具实例库。采用了分层匹配的方式检索夹具结构、组件和元件,以完成夹具结构的装配过程,提出了一种自顶向下分层匹配的组合夹具智能辅助装配方法。