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。

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。

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。

基于GK模糊聚类的电力系统内部绝缘缺陷智能识别

针对绝缘缺陷识别过程中受到数据集合体积限制,导致识别方法在不同环境下的适应能力较弱,提出基于GK模糊聚类的电力系统内部绝缘缺陷智能识别方法。考虑电力系统内部绝缘缺陷导致的放电现象,将绝缘缺陷位置产生的合成电场的变化作为特征并提取出来,利用GK模糊聚类算法处理提取的特征,构成不同层次的特征向量,使用特征向量构建层次分类树,逐层识别每一节点的特征向量,实现电力系统内部绝缘缺陷的识别。实验结果表明,设计的基于GK模糊聚类的电力系统内部绝缘缺陷智能识别方法在不同的环境中扰动识别能力强,识别前后对电力系统的负荷影响小,该识别方法的整体适应能力得到了提升。

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。

基于功率谱信息熵与GK模糊聚类的生物组织变性识别方法

本文提出了一种基于功率谱信息熵和GK模糊聚类相结合的方法,应用于生物组织变性识别判定中。利用高强度聚焦超声辐照离体新鲜猪肉来改变其特性,并用热电偶测量声焦区温度,同时采集了不同温度时的超声回波信号。通过对采集的信号进行截取,研究了分段数对功率谱信息熵辨识性能的影响。研究发现当分段数为26至32时,功率谱信息熵的准确度、灵敏度和特异度均有较高的值。本研究计算了分段数为30时的功率谱信息熵,此时的变性组织对应的功率谱信息熵比未变性组织对应的功率谱信息熵平均高出约0. 094,大约为7. 99%。采用功率谱信息熵作为特征参数时,GK模糊聚类效果优于模糊C均值聚类;采用GK模糊聚类方式,功率谱信息熵比小波熵具有更高的辨识率。

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。

模糊聚类算法参数优选方法及其在局部放电模式识别中的应用

为了研究GIS中不同缺陷所激发的局部放电类型,设置了悬浮电极、针尖电晕、自由微粒以及气隙等4种常见缺陷模型。对采集的局放数据,建立了最大放电量、平均放电量和放电次数等二维相位分布函数,在此基础上提取24组指纹特征参数。在采用模糊C均值(FCM)和Gustafson-Kessel(GK)等聚类算法对局放数据进行聚类分析时,针对聚类有效性,即样本集的类数c和模糊加权指数m的优选问题,介绍了一种新型聚类有效性评估指标U(c),发现U(c)值越大,得到的聚类数越接近于真实值。最后与其它有效性指标对比,验证了U(c)指标的准确性和有效性。

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题,提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机(SVM)分类模型.以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能.为验证其有效性,将该模型应用于森林覆盖类别分类,并与标准支持向量机模型分类结果对比.实验结果表明,该方法能提高支持向量机对混合像元划分的精度.

一种建立粗糙数据模型的监督模糊聚类方法

提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法.该方法将RDM模型的分类质量性能指标与具有良好特性的Gustafson-Kessel(G-K)聚类算法结合在一起,并通过引入数据对模糊类的推定隶属度的概念,给出了将模糊聚类模型转化为粗糙数据模型的方法,从而设计出一种通过迭代计算使目标函数最小的两个必要条件方程来获取RDM模型的有效算法,将Kowalczyk方法的多维搜索过程变为以聚类数目为参数的一维搜索,极大地减少了寻优时间.与传统的粗糙集理论和Kowalczyk方法相比,提出的方法具有更好的数据概括能力和噪声数据处理能力.最后,通过不同的数据集实验测试,结果表明了该方法的有效性.

开关柜多源局部放电信号分离及聚类方法研究

文中采用暂态对地电压(transient earth voltage,TEV)法对10 kV高压开关柜局部放电进行检测,并利用短时傅里叶变换(short-time Fourier transform,STFT)分析了开关柜不同类型放电下局放TEV信号的时间频率特性,结果表明不同放电TEV信号的时频特性不同。基于此,又对信号STFT时频分析结果提取了信号的时间中心tc、频率中心fc以及中心矩μc3个特征参数。试验表明多源局部放电TEV信号能够在tc^fc~μc三维特征空间内实现信号分离。进一步利用GK模糊聚类方法在tc^fc~μc三维空间内实现了对多源放电TEV信号的智能分离与聚类。试验及分析结果表明与基于傅里叶变换的传统方法比较,文中方法具有更优的信号分离效果,且实现了多源信号的智能聚类。

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。

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。

一种基于半监督集成SVM的土地覆盖分类模型

目前,支持向量机技术(SVM)在遥感信息获取中普遍受到参数选择不准确和小样本问题的制约。针对这些问题,提出一种新的半监督集成SVM(EPS3VM)分类模型。模型一方面利用自适应变异粒子群优化算法对SVM参数寻优以提高基分类器精度(PSVM);另一方面采用自训练算法(Self-training),充分利用大量廉价的未标记样本产生性能差异的半监督分类器个体(PS3VM),其中,在未标记样本标注过程中,引入模糊聚类算法(Gustafson-kessel)来控制错误类别的输入,最后对个体分类器采用加权集成策略,以进一步提高分类模型的泛化能力。为了测试其性能,应用该模型进行多光谱遥感影像的土地覆盖分类实验,并与PSVM、PS3VM进行对比,分类精度从PSVM的88.48%提高到96.88%,Kappa系数由0.8546提高到0.9606。结果表明,EPS3VM在克服传统SVM参数选择不准确的同时,有效地应对了小样本问题,分类性能更优。

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.

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.