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。     

地形纹理分割技术在雷达图像仿真中的应用

文章阐述了将图像分割技术应用于雷达地形纹理分割中,用基于 FCM 图像分割方法对可见光纹理进行区域自动识别,形成互不相交的纹理区域,并借助建立的雷达材质库对区域材质进行指定,有效解决了海量地形纹理数据处理的难题,并提高了处理的准确性.     

一种终端区利用率评估方法研究

终端区利用率量化评估是解决终端区运行瓶颈、挖掘运行潜力的重要前提。现有方法大都面向全空域,指标缺乏通用性。聚焦终端区运行特点,构建了终端区利用率评估指标,基于灰色绝对关联度和主成分分析法,建立了灰色主成分评估模型,并对传统灰色绝对关联度的计算方法进行改进。以20个典型终端区数据为基础,经模糊C均值聚类验证了所提方法有效正确,且可区分性更好,能够满足多个终端区间的横向对比要求;结合广州终端区雷达数据进一步分析,发现方法更加细致地反映了沿时间轴的资源利用情况,满足单个终端区的纵向对比要求,可以为终端区的天气影响评估及流量管理优化策略评估提供论证依据。     

ATV交会飞行控制策略研究

"自动转移飞行器"(ATV)是欧洲航天局(ESA)服务"国际空间站"(ISS)的项目.ATV货运飞行器自动执行调相,交会与对接、分离、降轨,以及受控毁坏性再入.ATV对ISS的交会对接可脱离地面控制自主完成,ATV交会使命将朝向栽人航天飞行发展,高度自主性与严格安全性是ATV使命设计的主要特点.在自主交会飞行期间,飞行...     

基于改进模糊c-均值数据预处理方法的研究

在数据预处理过程中模糊c-均值对初值的设定非常敏感,如果初值设置不好容易陷入局部最优解。提出了用减法聚类对模糊c-均值进行初值设定的方法,并把其应用到了模糊规则的生成过程中,通过实验可知应用此种方法不但可以得到全局最优解,加快收敛速度而且不必事先给定聚类个数,所以这是一种行之有效的数据预处理方法。     

航空发动机中气液两相流的可视化检测

针对电阻抗断层成像(EIT)技术中FCM聚类算法的灵敏度系数信息缺失以及测量电压的利用率低两方面问题,提出一种新的成像算法。在该算法中引入灵敏度系数矩阵信息修正各个剖分单元的电压。同时提出了将测量电压数据按照其权系数进行处理的方法,该方法可应用于所有EIT经典反演算法之中。理论和数值仿真结果均表明,与已有的FCM聚类算法相比,优化后算法对两相流型的定位准确度更高,得到的重建图像的空间分辨率与之前相比相对误差降低了5%~15%,相关系数提高了5%~20%。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

基于FCM的终端区交通态势识别

终端区交通态势的日益拥挤,一定程度上造成航班的延误,给航空公司及旅客带来了极大损失。为了对终端区交通拥挤进行有效的识别和疏导,对终端区交通态势进行了研究。通过采集的雷达数据,提取影响终端区交通态势的属性指标,运用模糊C-均值聚类(FCM)方法建立了终端区交通态势识别模型,模型可快速准确地识别交通态势。以某终端区为例,验证了模型的有效性。     

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。      

基于模糊聚类非负矩阵分解的软件缺陷预测

为了进一步提高对不平衡软件缺陷数据的预测精度,提出了一种基于模糊聚类非负矩阵分解的缺陷预测方法。该方法首先选取最近邻算法作为不平衡缺陷数据预测的基分类器,然后将非负矩阵分解算法引入软件缺陷预测领域,并提出利用模糊聚类初始化非负矩阵分解算法的思路。该方法一方面解决了最近邻算法处理多属性缺陷数据时计算量大导致性能降低的问题,另一方面克服了非负矩阵分解的随机初始化导致结果陷入局部最优的不足,提高了不平衡软件缺陷数据的预测精度。最后通过两组算例验证了方法的有效性。