基于SVM"一对一"聚类结构的滚动轴承状态诊断

文章在分析比较几种诊断方法的基础上,根据滚动轴承的故障特点,建立了SVM"一对一"聚类结构并对滚动轴承故障进行诊断;该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网等智能方法在对滚动轴承状态进行诊断时所表现出来的过学习、泛化能力弱等缺点;利用SVM"一对一"聚类结构对滚动轴承故障类别进行投票,降低了单个支持向量机的误判概率;具体实验结果表明,该聚类结构对滚动轴承的故障类别具有很高的诊断精度,能够取得理想的聚类效果。     

基于GHSOM网络的故障识别

提出了一种基于生长型分级自组织映射(GHSOM)网络的故障识别方法,给出了方法的基本原理,并将该方法应用于汽轮机组与齿轮的故障数据分析.研究结果表明,GHSOM能根据数据特征无监督地对故障进行正确聚类和识别,并且具有动态增长及分层特性,能解析出数据内在的层次结构,实现由粗到精的聚类识别,该方法可以扩展应用于机械故障的诊断与识别.     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

基于主元回归模型的挖掘机液压系统故障诊断

为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.     

基于RS-Fuzzy ART的设备状态监测方法研究

针对Fuzzy ART神经网络在多工况设备状态监测中存在的学习时间过长问题,提出一种基于粗集约简的RS-Fuzzy ART状态监测方法.该方法利用粗集的信息决策表和决策矩阵对设备的监测参数进行约简提取,降低Fuzzy ART输入向量的维数.监测实例结果表明,采用粗集约简提取的监测参数与原监测参数具有相同的监测能力,且可极大缩短网络的学习时间.若将约简提取的监测参数进行联合监测,还可间接消除由于传感器故障或信号传输错误引起的误报.     

基于改进雷达图的可视化聚类方法研究

针对高维数据的聚类过程不够直观、聚类结果也不易解释的问题,本文提出了一种基于改进雷达图的交互式可视化聚类方法。首先对传统雷达图进行了改进,采用熵权法确定数据的主要特征和属性排列,在去掉非主要特征基础上采用以极径表示属性值,以属性权重确定极角的改进雷达图进行数据可视化来突出数据的主要特征;然后采用改进的k-means算法对平面上的点集进行聚类,该改进算法不需事先给定簇的个数,能够依据密度和距离对初始中心进行优化,且在聚类过程中可交互调整参数,并使用不同颜色来区分不同类别,方便观察聚类过程和结果;最后通过仿真实验表明改进的雷达图更能反应数据的分布情况,改进的聚类算法具有更高的效率和聚类准确度。     

基于双谱的模糊聚类滚动轴承故障诊断

为了能准确可靠地判别出机械设备中滚动轴承的故障类型,基于双谱能表征随机信号偏离高斯噪声程度的特性,提出一种模糊聚类的滚动轴承故障诊断方法。基于滚动轴承运行过程中监测到的振动信号包含高斯噪声且具有非高斯、非线性特点,该方法在分析高阶谱理论的基础上,对双谱估计特征值进行阈值化处理,构成二值特征图并构造模板,通过测试样本与目标模板之间距离大小来进行不同类别的判断,实现对滚动轴承故障的诊断。经实例验证,该方法有效实现了对滚动轴承故障的分类判别,并提高了判别的可靠性和准确性。     

基于属性粒化聚类与回声状态网络的末制导雷达故障诊断

为了提高末制导雷达故障诊断的效率和精度,提出一种基于属性粒化聚类与回声状态网络(ESN)的故障诊断方法.定义一种基于属性值影响度的属性区分能力测量指标,并以此作为相似性度量依据,利用近邻传播(AP)聚类算法得到区分能力相当的若干属性粒,通过选取聚类中心属性来完成故障征兆属性的约简;在储备池构建中,采用Bienenstock-Cooper-Munro(BCM)规则进行连接权矩阵的预训练,在目标函数中添加L_(1/2)范数惩罚项,以提高ESN储备池对样本的动态适应性;同时,采用半阈值迭代法对模型进行求解,通过末制导雷达信号处理模块的故障诊断实例,验证了所提方法的有效性和优越性.结果表明:与BP神经网络和传统ESN模型相比,所提方法的稳定性及诊断准确率更高;将其与基于属性重要度和AP聚类的属性粒化约简算法相结合,能够进一步提高故障诊断的效率和精度,其仿真实验的训练时间仅为8.98s,诊断正确率可达95.2%.     

基于改进的本征时间尺度分解和基本尺度熵的齿轮故障诊断方法

针对齿轮振动信号的非线性、非平稳特征和难以获取大量故障样本的问题,提出改进的本征时间尺度分解方法(IITD)和基本尺度熵(BE)的齿轮故障诊断方法。采用IITD方法对齿轮振动信号进行分解,再对得到的前4个有意义的合理旋转(PR)分量计算其基本尺度熵,并将熵值作为特征向量输入支持向量机分类器,从而实现齿轮故障类别的诊断。实验结果表明,该方法能有效地实现齿轮故障类型的诊断。     

基于改进ART2神经网络的绝缘子故障在线诊断

根据绝缘子在线检测的特点,提出了基于改进ART2神经网络的绝缘子故障在线诊断技术．改进的ART2神经网络在F2层增设初始状态层,即F2层分为上子层F22和下子层F21．F22层存储绝缘子首次投运时的初始状态和已知的典型故障类型,F21层存储新增故障类型．在绝缘子故障诊断过程中,首先应用电晕电流脉冲测量仪在线测量绝缘子的电晕电流脉冲,然后绘制电晕电流脉冲的N-ψ图,并将其作为故障诊断的特征量送入改进的ART2神经网络进行模式识别．被检测的特征量先与F22层中的初始状态和已知的典型故障类型进行比较,如果匹配则判为该类;如果不匹配,再与F21层中的新增故障类型进行比较;如果都不匹配,则在F21层中创建新增故障类型．改进ART2神经网络解决了传统ART2神经网络聚类中心漂移问题,杜绝了绝缘子故障漏判的发生．仿真实验结果表明,应用改进的ART2神经网络可有效实现绝缘子故障在线检测,获得较好的诊断结果．     

模糊综合评判的系统聚类算法研究

对于数量较大、维度较多、较为复杂的聚类对象,系统聚类较为复杂; 而模糊综合评判聚类方法聚类结果不够准确,其个数难以控制。为此,提出基于模糊综合评判的系统聚类算法,该方法对较为复杂的、由多种因素制约的事物或对象进行模糊综合评判处理,提取对象的整体特征,运用系统聚类对其进行聚类分析。最后通过对5 个班级的多次考试成绩进行了聚类分析,验证了该算法的有效性。实验结果表明,该方法具有准确性、整体性、可操作性以及简略性等。     

半监督平衡化模糊C-means聚类

传统模糊C-means聚类(FCM,fuzzy C-means)在处理非平衡数据集时,由于相异类中所含样本数量差异较大,导致类间权值不平衡和"均匀效应",从而易产生聚类错误.另外,FCM属于无监督方法,无法更好地利用已知的部分类标记信息引导聚类.为解决这两方面问题,提出一种半监督的平衡化模糊C-means聚类(SBFCM,semi-supervised balanced fuzzy C-means)方法.SBFCM在FCM目标函数的基础上加入了对聚类模糊隶属度矩阵的近似正交约束和半监督约束,从而得到了新的聚类目标函数.实验结果表明,相比于FCM,SBFCM能有效缓解由"均匀效应"导致的聚类错误现象,并能有效地利用部分先验类标记信息,从而可获得更好的聚类效果.     

和声搜索算法在聚类分析中的应用

提出了一种改进的和声搜索算法并应用到聚类分析中.首先,将状态反馈机制引入到和声搜索算法中,通过判断和声记忆库中"最优"和声和"最差"和声之间的差异,来动态调整和声记忆库考虑概率和移动步长,使算法能够快速地收敛到全局最优解.通过更新和声向量中精度变量对应的聚类中心来最小化目标函数值,获得数据样本的最优划分.其次,提出了一种数据样本真实聚类中心数的确定方法,当输入样本数大于真实聚类中心数时,通过计算能够自动地确定数据样本真实聚类中心数目.最后,应用4种性能指标来比较所提算法与蚁群聚类算法和原始和声搜索聚类算法的性能.结果表明,所提算法的性能优于另两种算法.     

基于混合聚类方法的电力系统负荷概率模型

针对利用k-均值聚类算法形成发电系统充裕度评估中的聚类负荷模型时存在的聚类中心初始值和聚类数难以确定的问题,提出根据负荷水平对充裕度指标的贡献度,将负荷曲线分成高贡献度、中等贡献度、低贡献度等分区,分别采用层次聚类、均值-标准差、随机法来选择各分区中聚类中心初始值;定义改进效率指标,将改进效率作为收敛条件确定聚类数.利用本文方法所得的聚类负荷模型,采用状态抽样法计算IEEE RTS79电力系统可靠性测试系统的发电系统充裕度指标.算例结果表明,同采用基于传统k-均值聚类方法的负荷模型结果相比,基于混合聚类方法得出的负荷模型的计算结果更精确,收敛速度更快.     

The Effective Clustering Partition Algorithm Based on the Genetic Evolution

To the problem that it is hard to determine the clustering number and the abnormal points by using the clustering validity function, an effective clustering partition model based on the genetic algorithm is built in this paper. The solution to the problem is formed by the combination of the clustering partition and the encoding samples, and the fitness function is defined by the distances among and within clusters. The clustering number and the samples in each cluster are determined and the abnormal points are distinguished by implementing the triple random crossover operator and the mutation. Based on the known sample data, the results of the novel method and the clustering validity function are compared. Numerical experiments are given and the results show that the novel method is more effective.     

一种确定最佳聚类数的新算法

针对K-均值聚类算法需要事先确定聚类数K的问题,将粒度计算引入样本相似度函数,定义了新的样本相似度,用模糊等价聚类确定数据集可能的最大类簇数Kmax.以Kmax为搜索上界,利用改进全局K-均值聚类算法,以BWP(Between-Within Proportion)为聚类有效性度量指标,提出确定最佳聚类数的一种新方法.通过UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明该算法不仅能有效确定数据集的最佳聚类数,而且适用于大规模数据集,但是会受到噪音点影响.     

基于半监督优化分类的入侵检测方法研究

为解决入侵检测训练集（通常包含大量无标记样本和少量已标记样本）,在传统半监督支持向量机(S3VM)上确定最优分类决策面,提出一种优化的多分类决策S3VM方法（MLL_S3VM）。该方法结合启发式搜索和聚类方法筛选出差异性较大的分类决策面,采用距离向量法对未标记样本进行标记。实验结果表明,在入侵检测中,该算法明显提高了模型预测精确度。     

基于自适应神经网络集成的电子设备故障预测方法

为了实现装备的主动维修,针对电子设备故障预测问题,提出了一种基于自适应神经网络集成(ANNE)的电子设备故障预测方法。首先利用FCM 聚类算法生成个体网络训练样本,从而确定了神经网络集成的规模。ANNE 根据故障序列样本与个体网络训练样本的相似度动态调整权值,自适应神经网络集成根据装备故障历史数据建立故障预测模型,根据当前时间预测故障间隔时间。仿真实例证明,该方法对平稳的故障间隔时间数据进行故障预测的精度较高。     

基于遗传算法的 ART2 神经网络数据集优化

为了提高小样本集情况下自适应谐振(ART)神经网络聚类的可靠性,提出了基于遗传算法的ART2神经网络训练集优化算法,克服了ART1神经网络编码的稳定性尚未完全解决和只能接受二进制模式的缺陷.利用遗传算法的全局寻优能力,通过对训练样本集添加适当的边界样本点,并将边界样本点和原样本集有机结合,以提高ART2神经网络的泛化性能.对ART2神经网络聚类算法的适当变更,以适应样本集的变化情况,并避免ART神经网络在不同训练阶段产生不同的聚类结果.实验证明,采用本算法后,ART2神经网络的聚类准确度可提高30%.     

面向不平衡数据集融合Canopy和K-means的SMOTE改进算法

针对SMOTE算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-SMOTE改进算法。先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用SMOTE算法增加少数类样本数量,使数据趋于平衡。选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-SMOTE算法可有效平衡不平衡数据集。