基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

川产道地药材附子种根检验规程及分级标准研究

[目的]为保障附子种根的质量,研究建立川产附子种根的质量检验规程及分级标准。[方法]通过对附子种根真实性、净度、含水量、发芽率、病株率和百个重等6项指标进行研究,建立川产附子种根的质量检验规程。对30份附子种根进行检测,利用K-均值聚类方法制定附子种根的分级标准。[结果]含水量、发芽率为附子种根的主要分级标准,净度、病株率、百个重为次要分级标准。将附子种根分成3个等级:一级种根,发芽率≥70%,含水量65%～70%,净度≥90%,百个重1 100～1 500 g,病株率≤4.5%;二级种根,发芽率≥70%,含水量65%～70%,净度≥90%,百个重900～1 099 g,病株率≤4.5%;三级种根,发芽率≥60%,含水量71%～75%,净度≥85%,百个重600～899 g,病株率≤4.5%。[结论]本研究在大量的实验数据下,建立了附子种根的检验规程并制定了分级标准。     

基于Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中，KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数，对数据噪声敏感会降低其性能，且类边缘数据点相互影响会导致分类错误。针对这些问题，该文提出一种改进的C-KFCM模糊算法，先用Canopy粗聚类算法给出数据集大致的分类数，接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数，在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值，使数据中的噪声对算法的影响减小或消失。实验结果表明，改进的C-KFCM算法能自动确定分类数，并且与原KFCM算法相比，C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。