旋转机械设备状态预警与维修优化

旋转机械设备的维修策略对于维护机械设备运行状态,保障产品生产质量有着重要意义,并且直接影响企业经济效益.频繁维修虽可以保障设备状态,但随之会带来高昂的维修成本;检修周期过长虽然可以降低维修次数,减少维修成本,但是设备状态却难以保证.本文提出了一种基于峭度指标的故障预警方法以及基于模糊C均值方法的实时维修策略优化方法.通过监测峭度指标变化,可以成功捕捉机械设备的早期故障特征,再使用模糊C均值方法,评估设备状态,将其结果视为设备运行可靠性指标,根据企业效益最优化的维修建议准则,对设备的维修策略做出实时建议.对某钢厂的设备状态监测数据分析验证,结果表明,本文提出的基于实时维修策略优化方法的维修建议更加适用于现场设备的管理,节约了监测成本,使得企业效益更优.     

基于分离性测度的数据分类效果评价

针对模糊C-均值聚类算法对初始化分类参数(包括起始聚类中心位置和初始化分类隶属度矩阵)的选择比较敏感而导致分类结果差异性较大,以及错误分类会给解决实际问题带来难以预料的后果的情况,从数据的类内紧致性的对偶面即分离性入手,提出了基于分离性测度的分类效果好坏的评价准则。实验结果表明,定义的分类效果评价准则函数是可行的。     

基于直觉模糊C-均值的客户聚类和识别方法

客户聚类和识别是大规模客户化生产中产品/服务快速有效设计的基础.考虑客户需求信息的不确定性,提出了基于直觉模糊C-均值的客户聚类算法.针对传统基于欧式距离的C-均值聚类方法无法计算直觉模糊数组间距离的缺点,采用直觉模糊交叉熵方法处理算法中的距离计算问题.同时,直觉模糊交叉熵还用来计算新客户和各客户类间的偏好相似度,进行客户识别.最后以某工程机械企业服务开发中的客户聚类和识别为例,验证了所提方法的有效性.     

基于数据挖掘的往复压缩机气阀故障诊断方法研究

往复式压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂难以辨识的特点,选取部分气阀振动信号的时域和频域参数作为特征参数,采用C-means模糊聚类的方法对气阀故障和运行状态进行评判,挖掘出了故障特征,并给出了诊断实例。     

基于改进IGA-FCM的电子产品健康状态聚类模型

针对无监督情况下的电子产品健康聚类问题,提出一种改进的免疫遗传模糊C均值(IGA-FCM)聚类模型。综合利用多参数历史信息,通过引入加权相似度度量,刻画不同参数对健康状态的影响程度;通过将免疫机理引入到遗传框架中,以FCM的目标函数为搜索因子,克服FCM算法对初始中心选择敏感及遗传算法的早熟等问题。实验结果表明,该模型具有较高的收敛精度、收敛速度和对对象的刻画能力。     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

基于免疫粒子群优化的模糊C均值聚类算法

把免疫系统的免疫信息处理机制引入到粒子群优化（PSO）算法中，并与模糊C均值（FCM）算法相结合提出一种新的模糊聚类算法．新算法用免疫粒子群优化算法代替FCM算法的基于梯度下降的迭代过程，使算法具有较强的全局搜索能力，很大程度上避免了FCM算法易陷入局部极小的缺陷，同时也降低了FCM算法对初始值的敏感度．采用对当基思想初始化种群，获得更优的初始候选解，提高算法聚类过程中的收敛速度．以UCI机器学习数据库中的两组数据集为研究对象，实验结果表明，该算法优于基于PSO的模糊C均值聚类算法和FCM算法．     

结合模糊C均值聚类和曲线演化的心脏MRI图像分割

提出了结合模糊C均值聚类和曲线演化的MRI图像分割算法。由于心脏的变形和血液的流动，MRI图像中出现了弱边界、局部梯度极大值区域、伪影等现象。分析了使用水平集方法分割此类图像时出现的问题，提出了两阶段分割算法：结合先验知识和直方图，对心脏MRI图像进行模糊C均值聚类，再根据聚类的结果定义窄带中像素点的速度函数，通过曲线演化获取左心室的粗边界；然后使用梯度向量流构造另一速度函数对边界进行细化。心脏MRI图像的分割实验证明了算法的有效性。     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

基于大间隔粒计算的特征选择

通过寻找一个最优的特征子集,特征选择可以降低计算复杂度,提高分类精度以及结果的可理解性。提出基于大间隔信息粒化的特征选择算法,通过聚类等方式对原始数据进行单类信息粒化,然后在粒化的基础上构造了模糊间隔和类间隔2个评价指标进行特征评价。并分别在不同的数据上验证了这种特征选择方法的有效性,实验结果表明,基于大间隔粒计算的特征选择算法效果要优于其他的大间隔特征算法。