基于VMD和KFCM-SVM的高压断路器声振联合故障诊断方法

针对高压断路器机械故障复杂、故障特征提取困难的问题,提出一种变分模态分解(variational mode decomposition,VMD)与KFCM-SVM相结合的高压断路器声振联合故障诊断方法。首先利用VMD对去噪后的振动和声音信号进行分解,得到一系列反映断路器操动过程机械状态信息的本征模态函数(IMF);然后对各IMF分量进行Hilbert变换,构造相应的Hilbert边际谱,求取能量熵作为特征向量;最后采用模糊核C—均值聚类(kernel fuzzy C means,KFCM)对特征进行预分类,再利用支持向量机(SVM)建立训练模型实现机械状态辨识。实验结果表明:声振信号Hilbert边际谱能量熵对高压断路器机械状态变化敏感,KFCM-SVM能够准确识别高压断路器分闸操动过程中的机械故障。

基于CEEMDAN与KFCM聚类的转辙机退化状态识别方法

针对道岔转换设备在使用寿命内的功率信号特征提取与退化状态识别问题,提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与核模糊C均值聚类(Kernel-based Fuzzy C-Means clustering,KFCM)相结合的转辙机退化状态识别方法。首先,对S700K转辙机采集的功率曲线数据进行模态分解,得到多个固有模态函数(Intrinsic Mode Functions,IMFs),通过IMFs的能量幅值获得表征数据退化过程的特征向量;然后,由KFCM算法对特征向量进行转辙机退化状态识别,并进行状态划分;最后,通过计算分类系数和平均模糊熵对该方法的分类性能进行综合评估,并与模糊C均值聚类(Fuzzy C-Means clustering,FCM)和GK(Gustafson Keseel)聚类算法进行比较。结果表明:该方法聚类效果准确率达95.6%,优于FCM和GK聚类算法,能对转辙机的退化状态进行科学划分,为铁路现场道岔设备健康状态监测提供理论支撑。

高压断路器声纹及振动熵特征联合的GWO-KFCM故障诊断

针对复杂环境下高压断路器故障诊断算法的准确率和泛化性问题,提出一种声纹及振动熵特征联合的GWO-KFCM故障诊断算方法。首先,对声音信号进行广义S变换,提取反应声纹的盒维数、方向度和对比度纹理特征;对振动信号进行变分模态分解(VMD),计算信号的排列熵。最后,构造联合特征向量送入模糊核C—均值聚类(KFCM)学习训练,利用灰狼优化(GWO)算法优化KFCM初始聚类中心,对训练样本进行预分类后输入SVM,辨识操动机构运行状态。结果表明,声纹及振动熵特征联合的GWO-KFCM故障诊断方法充分利用声振信号互补优势,对实验样本总体诊断准确率达到了100%,并且有较好的泛化能力。

基于KFCM与多特征融合的皮肤镜病变区域提取

病变轮廓的检测是病灶提取、定性研究和探明病灶与其周围组织间关系的基础。针对皮肤镜图像病变区域灰度强度不均匀导致病变区域难以提取的问题,本文提出一种基于模糊核聚类算法(KFCM)与多特征融合的病变区域提取算法。首先,将原始图像进行模糊核聚类,把得到的聚类结果作为多特征融合轮廓提取模型的初始轮廓,其次利用轮廓曲线演化对图像全局信息与局部信息采用自适应加权,构建符号压力函数(Signed Pressure Force, SPF),最后利用轮廓曲线演化来分割图像,提取出病变区域。通过真实皮肤镜图像验证了提出的模型在SPF函数和自适应函数引入两方面均能提升提取性能,且在定性和定量对比评价上均优于其他方法,同时对噪声具有鲁棒性。

基于GA-KFCM聚类的WSN分簇路由算法

针对无线传感器网络中LEACH协议存在的分簇数量波动过大、簇头分布不均以及能耗不均衡等问题,提出一种基于GA-KFCM聚类算法和LEACH协议的WSN分簇路由算法GAKFCM-LEACH。在分簇阶段,基站使用GA-KFCM算法对工作区域内的节点进行分簇,以保证分簇数量稳定且簇的大小相对均等;在簇头选举阶段,考虑节点的剩余能量、基站的距离等因素,并动态配置权重因子;在数据传输阶段,估算不同传输路径的当前簇头能耗,并作为确定下一跳簇头的重要指标,使得多跳传输路径得到优化。仿真实验结果表明,与LEACH协议及其改进算法相比,该算法使得分簇更加稳定,网络的生存时间较LEACH延长108%,较KMEANS-LEACH、FCM-LEACH算法分别延长20%和15%。

基于KFCM-MNN并联式混合动力汽车能量管理策略

为了提高并联式混合动力汽车的燃油经济性,文章提出了一种基于核模糊c聚类(kernel fuzzy cmeans clustering,KFCM)的多神经网络(multi-neural network,MNN)能量管理设计方法。采用动态规划全局优化离线仿真得到全局最优解,使用KFCM算法对全局最优解数据集合按照车辆运行模式作聚类划分,针对每一个聚类建立局部神经网络。训练后的MNN模型结构根据实时工况,将多个局部神经网络的输出联结作为能量管理策略的输出,以实现发动机和电机转矩的实时优化分配。仿真结果表明,基于KFCM-MNN的能量管理策略,具有对动态规划能量管理策略很好的学习模拟能力,是一种准最优的控制策略。

基于改进MRF-KFCM有效区域分割的储能系统三维温度场重构方法

储能系统是微电网的核心组成部分,其热管理对于微电网的安全与稳定具有重要意义。相对于表面温度,电池堆内部温度场更有意义,针对红外热像仪无法监测电池堆内部温度场的问题,提出一种基于表面温度场与虚拟热源的三维温度场重构方法。通过分割算法将有效区域分离,利用定标将其映射为表面温度场,进而初步重构三维温度场,然后以虚拟热源对立体子单元温度进行修正。为了避免电池堆红外图像有效区域分割不准确对三维重构造成的影响,对马尔可夫随机场约束下的模糊核C均值聚类(MRF-KFCM)算法进行改进,通过Otsu算法在可见光图像中初步获得有效区域,赋予像元以不同的目标信息权重进行聚类,最后经配准得到电池堆在红外图像中的准确位置。实验结果表明,该方法能够反映电池堆内部温度变化趋势和局部差异,精度满足实际应用需求。

基于KFCM与改进CV模型的Split Bregman图像分割方法

针对基于梯度变化的水平集图像分割方法对噪声敏感、计算效率不高、分割结果依赖初始值等问题,提出了一种基于KFCM与改进CV模型的Split Bregman图像分割方法。该算法首先通过核模糊C均值的聚类方法确定出感兴趣区域作为分割初始值,然后采用Split Bregman方法来提高CV模型的迭代计算时间效率。实验结果表明,所提算法不仅保持了CV模型图像分割算法的优势,而且在抗噪性能和分割效率方面有明显效果。

一种半监督SVDD-KFCM算法及其在轴承故障检测中的应用

对机械设备故障诊断过程中故障样本较难提取和运行转速、载荷多变导致诊断方法的适用性不强、准确性不高等问题进行分析,结合支持向量数据描述(Support Vector Data Description,SVDD)算法与模糊核聚类(Kernelbased Fuzzy c-Means,KFCM)算法,提出一种基于半监督学习的SVDD-KFCM(Semi-supervised SVDD-KFCM,SSKFCM)方法用于轴承故障检测。实验表明,在复杂多载荷工况下该算法可有效检测轴承故障,诊断准确率较高。

基于KFCM增量更新的无线电引信目标识别方法

针对传统无线电引信在复杂电磁环境下作用效果较差的问题,以连续波多普勒引信为例,通过对引信检波输出信号频域的分析,提出一种基于熵的特征提取方法,并利用KFCM算法对信号进行分类识别。由于实际战场环境复杂且不可预测,其背景噪声强度与实验环境下存在差异,因此结合KFCM增量更新特性,使分类模型根据噪声强度变化而实时更新调整,从而达到更好的分类效果。实验结果证明,基于增量更新KFCM算法能显著提高不同信噪比下引信目标识别能力,将KFCM增量更新算法运用到无线电引信抗干扰能取得良好效果。

基于KFCM双重聚类的铁路客运产品类别划分

客运产品是铁路运输市场的主要供给,开行方案是客运产品设计的核心内容。将客运产品进行类别划分,是不同类型客运产品需求演变趋势分析的重要基础,有利于简化客运产品优化设计问题。本文以不同列车开行方案属性为样本特征变量,考虑列车能力利用对客运产品优化设计的影响,结合平均列车客座率提出了有效能力隶属度,构建了基于KFCM的双重聚类模型对样本进行聚类,利用Xie-beni和分离系数法确定最佳聚类数。最后对京沪高铁进行实例分析,研究结果表明,将该线客运产品分为4类可获得较好的聚类效果,不同类别的客运产品表现出明显的结构特性。

粒子群优化的KFCM及SVM诊断模型在断路器故障诊断中的应用

为了利用相对较少的故障数据样本对断路器主要故障类型进行较为准确的在线判断,提出了一种基于融合粒子群的模糊核聚类(particle swarm fused kernel fuzzy C-means,P-KFCM)与支持向量机(support vector machine,SVM)的故障诊断方法。通过对断路器分合闸电流信号的分析,找出与断路器主要故障类型相对应的特征量;据此对采样信号进行处理,建立故障特征样本空间;利用P-KFCM算法对故障训练样本进行预分类,并以此为基础建立多SVM故障预测模型。P-KFCM算法将粒子群(particle swarm optimization,PSO)的全局搜索能力融入KFCM中,有效的解决了局部最优问题,在一定程度上提升了诊断结果的可靠性。实验结果表明,该方法在诊断断路器主要机械故障方面能够取得较好的效果。

基于KPCA和KFCM集成的汽轮机故障诊断

为了提高汽轮机故障诊断的正确率和鲁棒性,提出一种基于核主元分析(KPCA)和模糊核聚类(KFCM)集成的汽轮机故障诊断方法。该方法针对汽轮机故障数据高维非线性的特点,采用核主元分析方法对故障数据进行特征提取,提高了神经网络的学习效率和精确度。然后由训练样本集相互独立地训练出多个神经网络,对其编号并按顺序将网络输出构成输出矩阵,再采用模糊核聚类算法对输出矩阵进行分析并对所有个体网络归类,计算所有类别中每个网络在独立验证样本集上的泛化误差,最后分别选取每个类别中泛化误差最小的个体网络作为这一类的代表进行相对多数投票法集成。实验结果表明,即使在学习样本较少的情况下,该方法也能取得较好的故障诊断效果。

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题,提出了一种基于变分模态分解(variational mode decomposition,简称VMD)与核模糊C均值聚类算法(kernel fuzzy C-means clustering,简称KFCM)联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解(empirical mode decomposition,简称EMD)方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。

基于KFCM和改进CV模型的海面溢油SAR图像分割

图像分割是合成孔径雷达(synthetic aperture radar,SAR)图像海面溢油检测的关键步骤之一,将核模糊C均值(kernel fuzzy C-means,KFCM)聚类方法及Chan-Vese(CV)模型应用于海面溢油SAR图像分割,为了解决单一KFCM方法分割精度不够高,及传统CV模型对初始条件敏感和收敛速度低的问题,提出了一种基于KFCM和改进CV模型的海面溢油SAR图像分割方法。首先利用KFCM算法将海面溢油SAR图像从原始样本空间映射到高维特征空间,得到聚类结果;然后将其作为CV模型的初始条件,以降低CV模型对初始条件的敏感性,并利用图像边缘强度取代传统CV模型中的Dirac函数,以提高模型的收敛速度和对不同SAR图像的适应性。大量实验结果表明,所提出的基于KFCM和改进CV模型的海面溢油SAR图像分割方法具有分割精度高、运算速度快的优点。

基于小波变换和KFCM的彩色图像分割

提出一种将小波变换和核模糊C均值聚类算法相结合的快速彩色图像分割算法。利用小波变换的多分辨率特性,在分辨率最大尺度上的LL子带进行均值漂移聚类,快速获得初始粗分割结果,在其基础上进行模糊核聚类分割,将上一层的结果用于下一层的初始化,重复至最低分辨率后用最小分类器对原始图像进行最终分割。实验结果证明,该算法分割速度快,对自然彩色图像的分割结果优于模糊C均值算法和均值漂移算法。

基于CEEMDAN⁃LMD⁃KFCM的断路器操动机构机械故障诊断方法

断路器操动机构中高频振动信号蕴含丰富的机械信息,为有效提取振动中高频分量进行诊断分析,提出了一种新的断路器操动机构机械故障诊断方法。此方法对采集到的振动信号时域波形通过CEEMDAN分解,并根据熵权法对其高频分量进行重构以得到去噪信号,将去噪后的信号进行LMD分解,对分解得到的PF分量求取多尺度排列熵作为KFCM识别算法的输入特征分量。经KFCM识别结果表明,此机械故障诊断方法对断路器操动机构转轴卡涩、底座松动、拒动等典型故障具有较高的识别率。

结合分水岭算法和WKFCM算法的MRI图像分割

针对传统分水岭算法对MRI图像过分割的缺点,提出了一种基于分水岭算法和改进核聚类算法的MRI图像分割新方法。首先,通过传统的分水岭分割算法将MRI图像分割成不同的区域,然后根据改进的核聚类算法,利用Mercer核将各个区域的平均灰度值映射到高维特征空间,使得原来未显示出来的特征显现出来。这样就可以实现更准确的聚类,用灰度信息来合并分水岭算法过分割所造成的小区域,从而得到更好的分割效果。实验结果也证明了采用此种新方法,确实可以获得更好的分割图像。

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。

一种基于改进混合蛙跳的KFCM算法

针对核模糊C-均值(KFCM)聚类算法存在易陷入局部极小值,对初始值敏感的缺点。将混合蛙跳算法(shuffled fro gleaping algorithm,SFLA)用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明,新算法与KFCM和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好。