基于迭代K均值聚类的改进谱峭度方法及在滚动轴承故障诊断中的应用

针对快速谱峭度指标对偶发性冲击过于敏感,从而导致故障诊断错误的问题,提出一种基于迭代二均值聚类的改进谱峭度算法。将信号样本在时域分段后,根据数据片段的峭度特征,使用二均值聚类算法识别被偶发性冲击污染的片段并剔除,最后基于正常片段统计信号样本的改进峭度。为解决聚类簇数难以预先确定的问题,提出一种迭代二均值聚类算法,以正常片段的峭度相对极差为迭代终止判据,逐次剔除被污染的数据片段。对原信号进行双树复小波包分解,计算各重构子信号的改进峭度生成谱峭度图,检测最大改进峭度值对应频段进行包络解调分析诊断轴承故障。仿真和实验结果表明,该方法能够在多个不同强度的偶发性冲击干扰下准确识别循环瞬态冲击,识别效果优于其他算法。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。