目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clu...目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。展开更多
为了降低视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)混合场景下无线定位的误差,提出一种基于交互式多模型-卡尔曼滤波(Interactive Multiple Model-Kalman Filter,IMM-KF)的残差选择NLOS定位算法。构建适用于LOS的多边...为了降低视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)混合场景下无线定位的误差,提出一种基于交互式多模型-卡尔曼滤波(Interactive Multiple Model-Kalman Filter,IMM-KF)的残差选择NLOS定位算法。构建适用于LOS的多边定位模型和适用于NLOS的残差选择3边定位模型,通过似然概率加权估计两个模型的融合位置。结合卡尔曼滤波进行误差估计确定残差,得到最优的位置估计值,从而降低计算复杂度和由计算不准确导致的模型失配问题。仿真结果表明,所提算法在混合场景中NLOS噪声服从高斯分布、指数分布及均匀分布下,定位精度优于其他对比算法,能有效降低NLOS误差。展开更多
文摘目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。
文摘为了降低视距(Line of Sight,LOS)和非视距(Non-Line of Sight,NLOS)混合场景下无线定位的误差,提出一种基于交互式多模型-卡尔曼滤波(Interactive Multiple Model-Kalman Filter,IMM-KF)的残差选择NLOS定位算法。构建适用于LOS的多边定位模型和适用于NLOS的残差选择3边定位模型,通过似然概率加权估计两个模型的融合位置。结合卡尔曼滤波进行误差估计确定残差,得到最优的位置估计值,从而降低计算复杂度和由计算不准确导致的模型失配问题。仿真结果表明,所提算法在混合场景中NLOS噪声服从高斯分布、指数分布及均匀分布下,定位精度优于其他对比算法,能有效降低NLOS误差。