基于EEMD样本熵和GK模糊聚类的机械故障识别

针对目前各种机械故障诊断方法的局限性,提出了基于总体平均经验模式分解(EEMD)样本熵和GK模糊聚类的故障特征提取和分类方法,建立了一种机械故障准确识别的有效途径。首先,对机械振动信号进行EEMD分解,得到若干不同时间尺度的固有模态函数(IMF)分量。其次,通过相关性分析和能量相结合的准则对IMF分量进行筛选,并将筛选出的IMF分量的样本熵组成故障特征向量。最后,将构造的特征向量输入到GK模糊聚类分类器中进行聚类识别。实验及工程实例证明了该方法的有效性和优越性。

基于GK模糊聚类和LS-SVC的GIS局部放电类型识别

局部放电可以反映气体绝缘组合电器(Gas Insulated Switchgear,GIS)内部的绝缘缺陷,对正确识别GIS的放电类型具有重要意义。在GIS重症监护系统研究平台上人工设置4种GIS的典型缺陷。基于4种缺陷不同电压等级下的局部放电样本数据,提取局部放电灰度图像的分析特性作为识别特征量。同时考虑到现场干扰对局部放电信号的影响,利用GK模糊聚类算法对分形特征量进一步处理,以提取隔离干扰后的分析特征量。最后设计了基于LS-SVC的局部放电模式识别器。试验结果表明所提方法能有效识别GIS放电类型,比人工神经网络方法具有识别率高、稳定性好的优点。

基于LMD能量熵和GK模糊聚类的电能质量扰动识别

提出一种基于局部均值分解方法（LMD）能量熵和GK模糊聚类相结合的电能质量扰动识别的新方法。LMD能量熵具有局域化的特性并且能够表征扰动信号复杂度，可以量化扰动特征。GK模糊聚类可处理分布不规则数据，因此可对各种扰动信号进行识别。非平稳的扰动信号首先由LMD分解，得到若干个有物理意义的乘积函数（PF），通过Shannon熵的特征筛选方法对PF分量进行筛选，求取其能量熵组成特征向量。进而通过GK聚类对特征向量进行识别分类。实验表明，该方法能够有效准确地识别电能扰动信号，并具有良好的抗噪性。

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法，应用于滚动轴承的故障诊断中。首先，利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响；其次，通过相关性对IMF分量进行筛选，并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中，通过模糊熵、样本熵、近似熵3种特征参数的对比，和GK聚类与FCM聚类的对比，证明了该方法的有效性和优越性。

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。

融合CEEMD_MPE和GK模糊聚类的故障识别方法

针对转子故障信号非线性、非平稳性的特点,提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。首先采用互补集合经验模态分解对故障信号进行分解,依据相关系数原则,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA(Principal Component Analysis)降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与其他模式组合方法进行比较。结果表明,本文所提方法能够更有效提取故障特征。

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。

Fuzzy Model for Estimation of the State-of-Charge of Lithium-Ion Batteries for Electric Vehicles

A fuzzy model was established to estimate the state of charge（SOC） of a lithium-ion battery for electric vehicles.The robust Gustafson-Kessel（GK） clustering algorithm based on clustering validity indices was applied to identify the structure and antecedent parameters of the model.The least squares algorithm was utilized to determine the consequent parameters.Validation results show that this model can provide accurate SOC estimation for the lithium-ion battery and satisfy the requirement for practical electric vehicle applications.

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点,提出一种基于自适应局部迭代滤波分解(ALIFD)模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解,得到若干个本征模态函数(IMF)分量,然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量,并将筛选的IMF分量的模糊熵作为特征向量,最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析,并使用分类系数和平均模糊熵对分类性能进行评价,结果表明,与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比,该方法具有更好的分类性能。

基于GK模糊聚类的重症监护设备局部放电故障识别方法

为了解决传统重症监护设备管理患者体征数据识别方法中处理特征数据的能力较差,导致聚类效果不佳,影响局部放电故障识别的问题,提出基于GK(Gustafson-Kessel)模糊聚类的重症监护设备局部放电故障识别方法。此次研究采用局部放电超高频电磁波特征;利用GK模糊聚类算法,聚类分布不规则的放电特征数据样本;采用设置重症监护设备局部放电模糊识别逻辑;构建变量预测模型,实现对重症监护设备局部放电故障的快速识别。实验测试表明,与传统故障识别方法相比,该方法的创新之处在于采用GK模糊聚类获得的故障数据中心更合理,其局部放电故障识别效果比两种传统方法分别高出了5.77%和7.67%。可见GK模糊聚类算法的聚类效果更好。

基于满意聚类的多模型建模方法

从系统输入输出数据出发 ,首先在GK模糊聚类算法的基础上 ,提出一种模糊满意聚类算法 ,该算法能快速对系统进行用户满意的模糊划分 ;继而将其引入多模型建模过程中 ,满意的系统划分数目即对应多模型个数 ,然后针对不同的聚类建立起相应的子系统模型 ,全局系统可视为各子模型的加权组合 ;最后通过几个典型实例验证了模糊满意聚类及基于此的多模型建模方法的有效性、准确性和快速性 .

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。

改进EWT_MPE模型在矿山微震信号特征提取中的应用

针对矿山微震与爆破振动信号难以自动辨识的问题,提出了一种基于改进EWTMPE(经验小波变换多尺度排列熵)的信号特征提取方法,并应用于矿山微震信号特征提取中。针对EWT在以往处理复杂信号频谱出现的过切分问题提出了新的改进方法,并采用仿真信号验证了改进算法的可行性和准确性。将实际采集到的微震与爆破信号进行改进EWT分解,借助相关性分析从分解得到的本征模态函数(intrinsic mode function,IMF)分量中筛选出最优分量IMF1~IMF5。进而将筛选到的IMF分量进行重构,并计算重构信号的MPE值。应用GK模糊聚类算法对微震与爆破振动信号进行分类识别。结果表明,微震信号的MPE值要小于爆破信号的MPE值,且当嵌入维数m=5,尺度因子s=12,延迟时间τ=1时,两种信号的MPE值差异最大。基于改进EWT_MPE_GK模糊聚类算法的分类识别准确率达到93.5%,平均模糊熵(E)更接近0、分类系数(C)更接近1,与传统EWT_MPE_GK模糊聚类和EMD_MPE_GK模糊聚类相比,其聚类效果更优、识别准确率分别提高了3%和5.5%。

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统 ,该系统采用两级聚类算法 (改进的最近邻域聚类算法和 Gustafson- Kessel模糊聚类算法 )对输入 /输出数据进行模糊聚类 ,并由模糊聚类的划分熵确定最优划分 ,建立模糊模型 ,模型精度可由梯度下降法进一步提高。仿真结果表明 ,这种神经模糊系统具有结构简单、规则数少。

基于目标函数的模糊模型一体化建模

基于模糊集合的模糊模型,利用模糊推理规则描述复杂、病态、非线性系统是一种有效方法.本文提出了利用目标函数确定非线性系统的结构和参数的方法.首先,通过Gustafson-Kessel(GK)模糊聚类确定模型结构.然后,通过目标函数与参数估计一起进行递推计算,进而实现对模糊模型结构简化,删除冗余规则.结构确定过程中采用了UD矩阵分解方法,大大降低了计算量.仿真结果证明了提出方法的有效性.

基于模糊ARMAX模型的模糊建模

提出了一种利用MGS(modified Gram-Schmidt)算法建立模糊ARMAX模型的方法,给出了基于MGS算法的模型结构和参数辨识的一体化方法.利用MGS正交变换对通过GK模糊聚类的聚类结果进行变换,确定对模型贡献大的规则,删除对模型贡献小的规则,同时对模型中的参数进行估计.本文提出的方法能够实现模糊模型的结构和参数的优化.仿真结果表明,本文提出的方法能够建立非线性系统的模糊ARMAX模型.

基于微粒群优化的船舶柴油机T-S模糊模型

提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法,并用于船舶柴油机的动态建模.该辨识方法采用GK模糊聚类算法确定模糊模型的前件结构及参数,利用PSO算法来辨识模糊模型的结论参数.利用6160-A11船舶柴油机模型,获得柴油机各主要参数在油门尺度和负载发生小偏差扰动时的试验数据,再利用该组数据辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力、进气管压力、排气管压力等参数的T-S模糊动态模型.仿真结果表明了该方法的有效性.

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过GK模糊聚类方法对局部放电信号的特征进行识别分类;首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类;将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。

基于UD矩阵分解的模糊建模算法及收敛性分析

实际系统中通过采样得到的数据的噪声、干扰和变量之间耦合等不确定因素,使得描述系统的模糊关系矩阵列间可能存在严重的相关性.为了解决输入空间重构的模糊建模问题,提出利用目标函数确定非线性系统的结构和参数,实现对模糊模型结构简化,删除冗余规则.结构确定过程中采用了UD矩阵分解方法,大大降低了计算量.最后,证明了算法的收敛性,仿真结果表明了方法的有效性.

基于两种探尺数据融合的高炉料位检测方法

通过分析机械探尺和雷达探尺在高炉料位检测上的优缺点,采用模糊GK聚类算法,对雷达探尺测量数据进行聚类处理,并把聚类获得的参数用于构建一个RBF网络。利用机械探尺数据训练已建立的RBF网络,建立了基于机械探尺数据的修正模型,通过修正模型对雷达探尺测量数据的逐一修正,实现雷达探尺和机械探尺测量数据的有机融合。仿真结果和工业数据证明,基于机械探尺数据建立的修正模型具有较高的精度和较好的实用价值。