基于加工能力模糊聚类的设备分组方法

为了在工艺设计中高效、合理、准确地确定加工设备,实现资源优化配置,提出了基于加工能力模糊聚类的设备分组方法.该方法采用加工能力元描述设备的加工能力,通过对加工能力元的聚类分组,实现对设备的分组.在此基础上,建立了加工能力元的数学模型,采用区间数模糊C-均值聚类算法对模型进行了求解,并采用改进的最大最小距离算法产生初始分组中心.最后,通过具体实例,验证了该方法的有效性.     

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。     

演化策略用于高维故障样本集最优统计的聚类分析

针对液体火箭发动机的眼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数据集比较降该算法与ＦＫＣＮ模糊自主聚类算法。仿     

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.     

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。     

航空发动机性能参数约简方法研究

对航空发动机进行性能参数约简以提取关键参数,是提高故障识别准确率和可靠度的必要条件,为此提出两种性能参数约简算法.基于灰色聚类算法的参数约简,首先计算参数间的灰色关联度,然后选取聚类中心进行聚类以提取特征参数.基于模糊粗糙集的参数约简,首先利用模糊聚类算法对连续数据进行离散化处理,然后用粗糙集理论进行参数约简.用某型航空发动机实际监测数据进行验证,结果表明:两种方法约简结果一致,以此约简结果进行故障诊断可提高诊断率,缩减运算时间.     

基于数据融合的航空发动机多余度 智能传感器故障诊断

针对航空发动机多余度智能传感器故障诊断问题,提出一种基于数据融合的故障诊断方法。该方法采用改进的模糊C均值聚类算法对多余度传感器信息进行数据融合,将多余度敏感单元测量值划分为合适的几个类,然后根据少数服从多数的原则,选择含有最多敏感单元测量值的类的中心作为融合值,并通过计算各个敏感单元测量值与融合值之间的残差来监控传感器的故障情况。仿真结果表明,得到的融合值具有较高的精度,绝对误差在0.5℃以内,通过判断残差可完成传感器故障自检测与定位。     

基于聚类模糊系统的动态数据野值剔除方法

针对影响遥测参数处理和分析的野值问题,提出了基于聚类法实时设计模糊系统实现动态数据野值辨识和剔除的新方法。该方法能够自适应跟踪不同变化特性的遥测参数,基于聚类法实现模糊系统的动态建模并获得预测值与观测值的残差序列,再按照狄克松准则实现野值的快速剔除。对实测数据的仿真实验表明：该方法能够显著降低动态建模的复杂度,快速跟踪信号变化,方法可行且有效。     

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

聚类分析的数据挖掘方法及其在机械传动故障诊断中的应用

采用网格化处理的思想,通过对基于密度的聚类分析方法进行改进,提出了一种新的聚类算法.这种算法通过对齿轮传动系统的故障信号进行测试、对故障类型进行了判定,对不同转速下齿轮传动振动信号进行谱熵计算、并采用网格划分方法将其表示在二维和三维空间分布平面内,可以较好地将正常、裂纹、磨损等类型的故障进行聚类和识别,并通过试验验证表明能够对不同工作状态的齿轮传动信号进行可靠的聚类与区分,聚类率为96%以上.说明该方法对齿轮故障进行区分与诊断是切实可行和有效的.      

基于模糊规则集度量的液体火箭发动机故障诊断

以模糊规则集度量为核心，提出了一种液体火箭发动机故障诊断系统。利用模糊待检规则集与模糊参考规则集之间的度量结果为故障诊断逻辑，输出故障检测时间、故障分离时间、故障类型和故障程度。仿真研究表明：基于模糊规则集度量的故障诊断性能比较优越。     

模糊推理和证据理论融合的航空发动机故障诊断

提出了一种模糊推理与证据理论相结合的航空发动机故障诊断方法.首先,根据故障征兆信号,结合专家经验对发动机故障原因发生的可能进行模糊推理,解决故障诊断中的模糊性问题;其次,将模糊推理结果作为证据的基本置信度分配,确保赋值的准确性;最终,采用证据组合规则对多个证据进行融合决策,减小故障诊断的不确定性测度,并解决证据间的冲突问题,从而实现对故障源的精确定位.实验结果表明,该方法可行且有效.      

航空发动机的模糊故障诊断方法研究

提出了一种基于T-S模糊模型的故障诊断方法, 该方法从样本空间提取模糊规则, 在模糊系统参数最优化的同时实现了对模糊系统结构的自适应优化, 并给出了故障判定的阈值确定方法.以某涡扇发动机定检稳态的机载记录数据为依据, 将基于T-S模糊模型的故障诊断方法应用于航空发动机, 研究结果表明, 该方法能准确地判定某涡扇发动机的健康状况, 将其应用于航空发动机故障诊断是可行、有效的.      

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。      

基于改进模糊SVM的转子振动故障诊断技术

首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机(FSVM)的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行的和有效的.     

模糊故障图的代数基础及应用分析

为了对不确定的故障关系进行描述和分析 ,提出了模糊故障图。定义并分析了它的代数基础—模糊间集、间集的链关系及一些相关概念 ,提出了基于模糊故障图进行故障诊断的方法 ,并应用于实际系统 ,较好地实现了模糊故障诊断。模糊故障图可以有效地描述复杂系统的故障关系 ,实现模糊的系统故障分析。     

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景,可以广泛应用于发动机的故障诊断。      

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。     

基于T-S 模糊FTA 与仿真的舱盖机构故障诊断方法

针对高空舱舱盖机构系统故障源与故障程度难以判定以及故障特征值难以提取的问题,提出了基于T-S模糊故障树分析与仿真相结合的故障诊断方法。将T-S模型引入到舱盖机构不同步的典型故障分析中,用模糊可能性描述部件的故障概率;用T-S门来描述事件间的联系;用模糊数描述部件的故障程度,结合模型仿真模拟故障分析,获取部件发生故障时对顶事件的贡献或重要度,计算出顶事件发生故障的模糊可能性及其诊断决策。为高空舱舱盖机构的故障诊断和维修保养提供参考。