基于综合模糊聚类算法的液体火箭发动机故障诊断

基于液体火箭发动机正常及故障状况数据的完备程度和数据质量的不断提高,提出一种基于数据驱动的综合模糊聚类算法用于故障诊断。采用模糊c均值(FCM)算法对已知正常样本数据进行聚类得到最优的聚类中心,将所得到的聚类中心作为先验样本数据用于传递闭包法最优分类结果的选择从而得到故障检测结果,该算法只需要少量的正常先验样本数据就能快速、准确的检测出故障;随后采用FCM算法进行故障分类,可以根据现有的故障数据库进行聚类得到对应的故障类型,并且可以给出故障幅值范围。模型仿真结果表明:该算法对故障的检测率可达968%,故障隔离率达到94%。某型液体火箭发动机实际试车数据结果表明:该故障诊断算法能够准确及时的检测并隔离出故障。     

基于模糊核均值聚类优化的光流测速方法CSCD

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。     

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

一种基于 KFCM的 SVM遥感图像机场目标分类算法

在遥感图像机场目标分类方面,支持向量机(SVM)有着广泛的应用,但由于样本不平衡问题以及不确定性数据的存在,传统SVM算法的分类精度与效果还无法令人满意。为提高传统SVM分类器的性能,文章将建立在模糊理论基础上的模糊核C-均值聚类算法(KFCM)用于处理遥感数据的不确定性问题,并通过聚类分析后的目标子图,剔除非目标样本的同时保留了目标样本,较好地解决了样本不平衡问题。将基于KFCM的SVM分类算法用于遥感图像机场目标的分类,实验结果和性能分析表明该算法分类性能优于传统SVM算法。     

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

基于平衡核函数聚类的飞行航迹数据分析方法

目前,使用数据挖掘的方法对目标的飞行航迹进行分析来确定航迹类别具有许多应用价值。飞行航迹数据具有维数高、交连多、可分类性能差等特点,要做到尽可能精确的聚类和分类十分困难。文章立足提高飞行航迹数据聚类分析的准确性,在航迹特征数据的预处理阶段,提出了一种平衡核函数的K-均值聚类方法,可以解决高维特征数据带来的奇异性,还能提高交叠样本的聚类性能;设计了一种模糊支持向量机的算法框架实现航迹的分类。通过实际飞行航迹数据集测试了设计框架下航迹聚类和分类识别的有效性,在实际工程上具有广泛的应用前景。     

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

演化策略用于高维故障样本集最优统计聚类分析

针对液体火箭发动机推进系统超高维故障样本数据的聚类问题 ,提出基于演化策略的最优统计聚类算法。为预防算法过早收敛 ,演化策略采用了父本适应值的动态调整值与共享函数 ,并针对超高维数据聚类提出了控制参数的适应性调整技术 ;为使算法能最终跳出局部最优死区 ,提出算法的局部调整策略。该算法用于液体火箭发动机典型故障仿真数据集分析 ,并取得了最优聚类结果。此外 ,还基于IRIS数据集比较了该算法与FKCN模糊自主聚类算法。仿真分析表明了算法在高维数据聚类分析中的优点。     

基于加强模糊聚类的航空行李图像超像素分割

在自助行李托运系统拍摄的行李图像库中检索错误运输的行李时,图像背景会严重影响检索精度。针对该问题提出了一种加强模糊聚类算法（EnFCM）的超像素分割方法,实现了行李目标区域的提取。通过多尺度形态学重建梯度图像,设计了自适应上限尺度的分水岭超像素预分割算法,得到多个独立的超像素区域。对超像素图像进行直方图统计,并结合分水岭分割参数和实际行李图像内容的类别数量进行超像素的加强模糊聚类,得到行李区域。通过多个实际行李图像的分割实验验证了算法的有效性,平均分割精度达到93%,超过多个典型的分割算法。     

基于类云模型的c均值聚类航迹关联算法

针对多传感器多目标航迹关联的特点,提出了将类云模型和c均值聚类联合应用于航迹关联的解决方法。将表征航迹特征的参量构成聚类中心和待分类的样本空间,利用类云模型和c均值聚类算法对来自不同传感器的航迹进行分类和收敛判断,构建了基于类云模型的c均值聚类航迹关联模型,有效地解决了目标密集环境下的航迹关联问题,通过仿真研究说明了该算法的有效性和鲁棒性。     

A salient edges detection algorithm of multi-sensor images and its rapid calculation based on PFCM kernel clustering

Multi-sensor image matching based on salient edges has broad prospect in applications, but it is difficult to extract salient edges of real multi-sensor images with noises fast and accurately by using common algorithms. According to the analysis of the features of salient edges, a novel salient edges detection algorithm and its rapid calculation are proposed based on possibility fuzzy C-means （PFCM） kernel clustering using two-dimensional vectors composed of the values of gray and texture. PFCM clustering can overcome the shortcomings that fuzzy C-means （FCM） cluster- ing is sensitive to noises and possibility C-means （PCM） clustering tends to find identical clusters. On this basis, a method is proposed to improve real-time performance by compressing data sets based on the idea of data reduction in the field of mathematical analysis. In addition, the idea that kernel-space is linearly separable is used to enhance robustness further. Experimental results show that this method extracts salient edges for real multi-sensor images with noises more accurately than the algorithm based on force fields and the FCM algorithm; and the proposed method is on average about 56 times faster than the PFCM algorithm in real time and has better robustness.     

飞机电源系统故障诊断的数学模型

在深入分析和研究飞机电源系统经常出现的故障现象及故障产生原因的基础上,将模糊数学的方法引入到飞机电源系统的故障诊断中,提出由历史数据及专家优序数综合确定模糊隶属度的方法,建立了电源系统的模糊诊断数学模型。     

核热源功率测量系统冷端温度控制策略

基于核热源功率测量系统冷端温度控制需要，建立系统动态特性模型.在开环仿真分析的基础上，分别设计了PID（proportion integration differentiation）控制、模糊控制以及支持向量机(SVMsupport vector machines)智能预测控制3种控制算法，并完成了其仿真研究，验证了测量系统控温的可行性.结果表明:将SVM优秀的非线性函数逼近能力与预测控制相结合来拟合被控非线性系统模型，并通过支持向量机的预测结果进行反馈校正，使系统具有良好的鲁棒性和稳定性，易于工程应用.      

电机-变距螺旋桨动力系统功率优化控制

电动螺旋桨无人机应用越来越普及,但普遍续航时间较短,提高电动力系统效率、降低功率消耗是提高航时的主要措施。电机-变距螺旋桨动力系统（以下简称变距电动力系统）可同时改变转速、桨距两个量,存在桨距和转速的最佳组合,使系统功率最小。相比电机-定距螺旋桨动力系统,其在耗能方面具有特殊优势,但如何达到最小功率点,目前研究较少。针对上述问题,为提高计算效率,便于控制研究工作的开展,首先基于改进天牛须算法的BP神经网络训练得到变距电动力系统的神经网络代理模型。接着提出了一种变距电动力系统功率优化控制策略：在一定入流速度、拉力需求下,基于自适应扩展卡尔曼滤波-牛顿法实时优化桨距,并在一定桨距下利用模糊PID控制系统转速以达目标拉力,实现目标拉力需求下的最小功率控制。仿真验证结果表明,提出的功率优化控制策略鲁棒性更强、优化速度更快、收敛效果更好。     

基于模糊灰色聚类和组合赋权法的飞机健康状态综合评估方法

针对目前飞机健康状态不易准确评估的难题,以飞机液压系统为具体研究对象,提出一种基于模糊灰色聚类和组合赋权相结合的健康状态综合评估新方法。首先,利用熵权法和层次分析法（AHP）分别计算并确定飞机液压系统各关键部件相关参数的权重,再通过组合赋权法将上述两种权重进行组合,得到具有主客观意义的组合权重。第二,采用灰色聚类法评估飞机液压系统各关键部件的健康状态。针对评估结果,由飞机液压系统各关键部件聚类系数创建飞机液压系统的健康评估模糊评判矩阵。然后依据该矩阵,采用熵权法和AHP分别求出各关键部件权重,并用组合赋权法进行组合。最终,采用模糊综合评判法评估飞机液压系统的健康状态。以某型飞机真实液压系统为例进行了试验验证,结果表明,所提出的基于模糊灰色聚类和组合赋权相结合的健康状态综合评估方法能够有效实现飞机液压系统健康评估的效能,具有很好的工程应用价值。     

FUZZY IDENTIFICATION METHOD BASED ON A NEW OBJECTIVE FUNCTION

Many fuzzy models on modeling and controlmethods have been developed since Takagi-Sugeno model was proposed[1] .The main prob-lems of the fuzzy identifying method based on T-S model appear in the following two aspects:　　 1 It is important what heuristic knowledgeis chosen to acquire the premise structure of theT- S model.This problem is related to the opti-mal partition of input space of premise part andmodeling accuracy.　　 2 Itis crucial whatidentifying method is u-tilized to estimate …     

燃气轮机气路测量参数的模糊智能选择

针对燃气轮机气路性能的监测诊断需求,基于气路小偏差分析得到的影响系数矩阵,首先从测量参数选择的相关性要求出发,应用模糊聚类分析方法得到了要求数目的目标聚类;进一步从参数选择的敏感性等要求出发,通过模糊综合评价方法从多元素聚类中筛选出了各自的代表测量参数,从而实现了燃气轮机气路测量参数的模糊智能选择.实例表明:利用模糊聚类分析方法可直接实现测量参数的相关性选择,并可以方便可靠地根据目标要求选择合理的测量参数组合,利用模糊综合评价方法的测量参数的敏感性选择更为有效可靠.