基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型

经典聚类算法在机车异常轴温诊断应用中存在判别阈值参经验化设定与漏判率、误判率较高的问题。利用机车轴温测点的关联性、异常温升特征分布特点,提出一种基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型。首先将轴承异常温升的诊断转化为多组关联序列中少数持续离群子序列的检测问题,再根据温度序列特征空间分布位置和局部密度差异性,通过Kmeans-BSCAN融合聚类分离出离群子序列,并实现了DBSCAN邻域判别阈值参数的自适应选取。基于某型机车履历数据的实例验证结果发现:该模型对异常温升诊断的准确率达100%,与Kmeans算法保持一致,比DBSCAN算法提高22.4%;误报率低至0.5%,比Kmeans算法降低18.5%,比DBSCAN算法降低12%。