基于累积和事件段识别与改进谱聚类的锂离子电池储能系统内短路故障检测方法

锂离子电池系统的内短路故障可能导致严重安全事故,其检测受到在线检测实时性以及故障特征获得性制约,是当下锂离子电池储能系统安全运行亟待解决的问题。该文提出一种基于累积和(cumulative sum,CUSUM)事件段检测与改进谱聚类的锂离子电池储能系统内短路故障检测方法。首先,考虑内短路故障时的电压/温度变化特性,基于累积和事件突变点识别方法,识别疑似内短路故障事件段。其次,构建三维故障特征,刻画检测对象内短路故障特征属性。然后,构建基于Wasserstein测度的内短路故障特征距离矩阵,检测三维空间各点稀疏特性,客观划定故障聚类,实现内短路故障检测。搭建锂离子电池内短路实验平台、建立锂离子电池电–热耦合仿真模型,算例结果表明该文方法能够准确识别疑似内短路故障事件段,在不同串并联形式及故障类型下实现故障检测,证明了该文方法的正确性与可行性。

基于VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。

一种基于EGK-均值聚类和PCA的海流发电机叶片冲击故障检测方法

海流发电机受海流流速变化、随机湍流的影响呈现多变工况,想要准确检测出叶片冲击故障是一项巨大挑战。基于此,提出一种基于包络几何特征聚类(EGK-均值聚类)的方法用于划分变工况下产生的定子电流信号,在不同子工况下建立故障检测模型。首先,根据样本矩阵构建包络几何特征矩阵,利用几何特征矩阵确定初始聚类中心进行聚类;然后,基于各工况下的包络数据分别进行主元分析以降低数据维度;最后,T^(2)和SPE统计量被计算用于实时冲击故障检测。一台海流发电机样机及配套循环水槽被搭建验证本文所提方法。实验结果表明本文所提方法在变工况下针对海流发电机叶片冲击故障有着显著的识别能力和检测精度。

基于递归聚类算法和漂移检测的发电厂设备故障诊断

为了解决复杂非平稳动态系统中的故障问题,需要一种自适应故障诊断方法来应对被监测过程的变化,基于此,提出了一种将递归聚类算法与漂移检测方法相结合的进化模糊分类器,并应用于故障诊断。在该方法中,递归聚类算法的更新不仅依赖于相似性度量,还依赖于输入数据流中的监测变化。使用漂移检测方法在数据发生变化时检测故障发生时间。在模糊规则中采用多元高斯隶属函数,避免了变量间相互作用时的信息丢失。对提出方法在直流传动系统故障诊断中的应用进行了验证,在模拟数据中加入异常值和噪声来评估故障诊断模型的鲁棒性。结果表明,该分类器在存在异常值和噪声的情况下,仍能以较高的性能对所有故障进行检测和分类,具有较高的故障隔离率。

基于K-means聚类算法的网络安全检测技术研究与应用

本文以K-means聚类算法为基础,展开基于K-means聚类算法的网络安全检测技术的研究与应用,发挥K-means聚类算法的作用,推动网络安全水平的提升。让网络能很好为人们日常生活提供服务。推动人们生活品质的提升。本文在分析时,先对K-means聚类算法进行研究,再分析具体的安全检测技术和应用情况,推动网络安全水平的提升。

基于模糊均值聚类的继电保护二次回路故障检测方法

继电保护二次回路涉及众多线路和设备,故障检测效率较低,为此,设计一种基于模糊均值聚类的继电保护二次回路故障检测方法。采集继电保护二次回路的状态数据,应用模糊均值聚类算法来处理这些数据,通过算法的智能分类功能,将具有相似特征的故障模式准确归类;基于分类后的故障特征,构建二次回路故障检测模型,通过模型的输出结果,实现对继电保护二次回路故障的精准定位。结果表明,基于模糊均值聚类的继电保护二次回路故障检测方法的故障检测效率均在94%以上,波动不超过1%,证明设计方法检测效率较高,能有效实现继电保护二次回路故障检测。

基于K-means聚类算法的网络安全检测技术分析

随着网际网路的普及与资讯科技的飞速发展,网络的安全性也日渐凸显。面对日益增多的网络攻击,传统的安全防护方法已难以适应。因此,研究和开发高效、准确的网络安全监测技术显得尤为重要。在这一背景下,聚类算法作为一种无监督学习方法,在网络安全领域中备受关注。K-means是一种典型的基于K-均值的聚类方法,它具有计算简单,效率高等优点,在很多领域得到了广泛的使用。本文对 K均值聚类方法进行了初步的研究,希望能对当前的网络安全研究与实际工作起到一定的借鉴作用。

基于簇内数据聚类算法的WSNs故障检测方法

能量是无线传感器网络应用中最宝贵的资源,由于节点能量消耗完毕死亡而导致网络瘫痪是一种典型故障。针对此故障形式提出了一种基于簇内数据聚类算法的故障检测技术,该方法利用无线传感器网络在按照地理位置进行分簇的基础上,通过采用数据聚类的方法,在能量不受限的汇节点处进行簇内数据再聚类,然后设置阈值进行故障检测。通过仿真实验证明,合理选择检测阈值,该方法在保持基于历史与邻居数据的节点自检测方法较高准确率的基础上,极大地减小了能量消耗,且明显降低了故障检测误警率。

融合异常检测与区域分割的高效K-means聚类算法

传统K-means及其众多改进算法缺乏显式处理异常样本的能力,导致其聚类性能容易受到异常样本的影响。针对此问题,提出一种融合异常检测与区域分割的高效K-means聚类算法。首先,通过构建统一聚类模型,形成异常检测与聚类之间的交互协同,以提高聚类性能。其次,利用近邻簇搜索技术对各类簇进行自适应的区域分割,以减少冗余计算,提高算法执行效率。最后,为验证所提方法的有效性,在多个合成数据集和真实数据集上分别进行测试。实验结果表明:所提算法聚类性能和执行效率优于其他算法;在添加10%异常样本的Wine数据集上准确度可达0.911。

车辆检测技术在汽车类专业教学中的应用

车辆检测技术在提高学生实践操作能力、培养学生对汽车行业的兴趣和热情、帮助学生掌握先进汽车技术等方面发挥重要作用。该文探讨车辆检测技术在汽车类专业教学中的具体应用,分析车辆检测技术在汽车类专业教学中应用存在的问题,提出车辆检测技术在汽车类专业教学中的应用优化措施,以更好地提升车辆检测技术在汽车类专业教学中的应用效果。

基于音频特征聚类算法的故障检测方法研究

针对工业生产中设备故障在线智能检测的迫切需要,提出了一种基于音频特征深度卷积神经网络和聚类算法联合优化的故障检测方法(fault detection method on the strength of the joint optimization of audio feature deep convolutional neural network and clustering algorithm,FDM_DCNN-CA)。该方法详细阐述了三维坐标系中的特征位置归一化提取和音频信息融合聚类分析等关键技术要点。FDM_DCNN-CA在具有不同背景噪声的音频数据集MIMⅡ上进行了测试,结果表明即使在检测难度较大的“阀门”设备上,仍然取得了良好应用结果。“阀门”设备总体AUC分数超过91%,并且在异常音频信号判断上具有更好的鲁棒性,正确率超过95%。

基于小波包和聚类算法的滚动轴承故障检测研究

针对Kmeans算法在滚轴故障检测中k值需要人工设定以及初始聚类中心的随机选取问题,提出I-Canopy-Kmeans算法的故障检测方法对其进行优化。该算法在初始聚类中心的随机选取方面,使用“最远最近”的原则,即在获取n个Canopy时,任意两个Canopy中心点之间的距离应该尽可能远,且第n个Canopy中心点应该是其他数据点与前面n-1个中心点最远距离中最小的一个;在阈值选取方面,使用欧氏距离求出所有数据点的均值点,再计算均值点到所有数据点的距离,并用L_(1)和L_(2)分别表示最远距离和最近距离,然后将(L_(1)+L_(2))/2赋值给阈值T1、(L_(1)+L_(2))/3赋值给阈值T2。实验结果表明,与传统Kmeans算法相比,I-Canopy-Kmeans算法的各项评价指标均有提高,其中IAR提高最多,达到了40.01%。

水下推进器电流转速信号的模糊聚类故障检测方法研究

为解决水下推进器在异物缠绕情形下故障诊断方法仅使用单一信号而无法综合利用多传感器相关性信息等问题,提出一种基于电流、转速信号相关分析与模糊C均值聚类相结合的水下推进器故障诊断方法.首先对采集到的水下推进器在不同状态下的电流、转速信号进行归一化操作;其次计算归一化后的电流、转速信号的相关度并组成相关度矩阵;最后以相关度矩阵作为特征使用数据聚类方法进行诊断.为验证该方法的有效性,使用推进器缠绕情形下故障数据对所提方法进行了验证.结果表明,相比仅使用单一信号的故障诊断方法,该方法能充分提取水下推进器多传感器相关度信息,特征提取更充分,有效提高了水下推进器故障诊断正确率.

基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题,提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法;首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号,得到多个本征模态函数;然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量,将Hurst指数值大于0.5的有用分量进行重构;最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入,通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明,所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。

基于聚类选择k近邻的LLE算法及故障检测

针对化工过程在多种运行模式下多种流形结构具有不同最优近邻数问题,提出了基于聚类选择k近邻的局部线性嵌入(LLE)过程监控方法。使用LLE算法提取高维数据的低维子流形,通过局部线性回归得到高维数据空间到特征空间的映射矩阵;选择Silhouette指标作为聚类有效性指标评估嵌入空间样本信息的相似性,进而确定最优近邻数,根据映射矩阵构建故障监控统计量及其控制限,进行故障检测。最后将所提算法与其他经典算法应用于TE化工过程对比分析,验证了算法的有效性。

基于角点匹配与谱聚类的接触网绝缘子破损/夹杂异物故障检测

立足铁路总公司制定的6C系统标准,基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。首先对选取的模板图像及待检测图像分别进行Harris角点检测,使用序贯相似性检测算法(SSDA)算法匹配角点;然后对匹配后的角点进行模糊聚类并提取聚类中心,利用CV(Chan_Vese)模型提取绝缘子轮廓;接着利用离散余弦变换对绝缘子图像故障信息增强并对其边缘检测;最终对边缘点进行谱聚类实现绝缘子的破损/夹杂异物故障判断。实验结果表明:该方法能够较好地实现抗旋转匹配,精准提取绝缘子轮廓和诊断故障。

基于半监督自动谱聚类算法的网络故障检测

针对网络故障检测中利用先验知识不足和多数谱聚类算法需事先确定聚类数的问题,提出一种新的基于成对约束信息传播与自动确定聚类数相结合的半监督自动谱聚类算法。通过学习一种新的相似性测度函数来满足约束条件,改进NJW聚类算法,对非规范化的Laplacian矩阵特征向量进行自动谱聚类,从而提高聚类性能。在UCI标准数据集和网络实测数据上的实验表明,该算法较相关比对算法聚类准确率更高,可满足网络故障检测的实际需要。

基于谱聚类下采样失衡数据下SVM故障检测

在故障诊断领域中,对传统支持向量机(SVM)算法在数据失衡情况下无法有效实现故障检测的不足,提出一种基于谱聚类下采样失衡数据下SVM故障检测算法。该算法在核空间中对多数类进行谱聚类,然后选择具有代表意义的信息点,最终实现样本均衡。将该算法应用在轴承故障检测领域,并同其他算法进行比较,试验结果表明所建议的算法在失衡数据情况下较其他算法具有较强的故障检测性能。

模糊聚类方法在电动舵机致命故障检测中的应用

为了对电动舵机进行致命故障检测,根据模糊聚类方法建立了舵机标准状态样本,通过计算待测状态样本与标准状态样本之间的距离,将其归为最近的一类状态。首先,对舵机原始状态样本数据进行了归一化处理。接着,选用夹角余弦法建立了各样本间的模糊相似矩阵。然后,对初始聚类中心矩阵和隶属度矩阵进行迭代运算,设定最大迭代误差并结束迭代过程,得到了舵机标准状态样本。最后,搭建了舵机状态检测的试验平台,在拷机试验中舵机控制器实时运行状态检测程序,实时计算待测样本与标准状态样本的距离。实验结果表明:状态检测程序运行时间只需0.23 us,且检测结果全部正确。此状态检测方法满足了电动舵机故障检测准确性和实时性的要求。

基于小波变换和聚类的BLDCM故障检测与识别

为了满足航空用机电作动器(EMA,Electro-Mechanical Actuator)高可靠性和大范围调速的要求,充分利用具有双通道容错结构的无刷直流电动机(BLDCM,Brushless DC Motor)系统特殊的结构和换相特点,通过分析两个通道中功率电路直流母线电流波形的突变特征,提出一种采用小波变换(WT,Wavelet Transform)与层次聚类算法(HCA,Hierarchical Clustering Algorithm)相结合的故障检测与诊断方法.并通过实际电机系统试验验证了方法的可行性与正确性.试验结果表明,这种方法对电机断相故障、逆变器功率管断路故障具有明显的检测与识别效果,而且不受转速、负载和噪声的影响.信号特征提取算法简单,故障识别方法可靠性高,无需额外设备,易于应用,具有很强的实际操作性.