CN113469107B - 一种融合空间密度分布的轴承故障诊断方法 - Google Patents

一种融合空间密度分布的轴承故障诊断方法 Download PDF

Info

Publication number
CN113469107B
CN113469107B CN202110804528.4A CN202110804528A CN113469107B CN 113469107 B CN113469107 B CN 113469107B CN 202110804528 A CN202110804528 A CN 202110804528A CN 113469107 B CN113469107 B CN 113469107B
Authority
CN
China
Prior art keywords
data
interval
clustering
sample
objective function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110804528.4A
Other languages
English (en)
Other versions
CN113469107A (zh
Inventor
刘婷婷
王硕
侯晴
张凯鑫
张利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning University
Original Assignee
Liaoning University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning University filed Critical Liaoning University
Priority to CN202110804528.4A priority Critical patent/CN113469107B/zh
Publication of CN113469107A publication Critical patent/CN113469107A/zh
Application granted granted Critical
Publication of CN113469107B publication Critical patent/CN113469107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Complex Calculations (AREA)

Abstract

一种融合空间密度分布的轴承故障诊断方法，步骤如下：(1)信号采样；(2)降噪处理；(3)特征选择；(4)轴承故障诊断。本发明设计并实现一种融合空间密度分布的轴承故障诊断方法。为提高不完整轴承数据的故障诊断准确率，将密度引入到模糊C均值的目标函数中；然后采用小波阈值降噪算法和时域特征处理轴承数据；最后将轴承数据输入改进的模糊C均值算法中进行聚类。在四种缺失率的情况下与三种方法进行对比实验，验证本发明方法有更高的诊断准确率。

Description

一种融合空间密度分布的轴承故障诊断方法
技术领域
本发明涉及一种融合空间密度分布的轴承故障诊断方法，属于区间型数据故障诊断技术领域。
背景技术
FCM算法基于欧式距离建立目标函数，所有样本点无差别参与聚类过程，只利用样本点自身携带的信息，未考虑样本属性在样本集中的空间分布信息对聚类分析的影响。传统的模糊聚类算法如模糊C均值随机选取初始聚类中心，认为每个数据样本成为聚类中心概率相同，即对聚类中心的选取随机进行的，但是实际上聚类中心的分布与数据的空间信息分布有关，聚类中心一般分布在数据密度较高的位置，被其他低密度点包围，同时又与其他聚类中心有一定的距离，离群点若被选取为聚类中心，将对聚类中心计算产生负面的影响。如何避免离群点成为聚类中心，对区间数据集进行高效的聚类分析是一个必须解决的问题，因此对区间型数据的故障诊断研究具有重要的实际意义。
发明内容
为了解决上述存在的问题，本发明提供一种融合空间密度分布的轴承故障诊断方法。
本发明的目的是通过以下技术方案实现的：一种融合空间密度分布的轴承故障诊断方法,其步骤为：
一种融合空间密度分布的轴承故障诊断方法，其步骤为：
1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据。
2)降噪处理：采用小波阈值降噪法，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理。
3)特征选择：计算峭度指标，偏态指标，峰值指标，峰值等时域特征参数，将其作为时域特征向量。
4)轴承故障诊断：
4.1)确定最近邻样本:根据最近邻规则为不完整数据选取相应的近邻样本集；不完整数据样本集中的不完整数据样本xa与数据样本xb的相似性度量公式如公式(1)。
其中，xia是样本xa的第i个属性，xib是样本xb的第i个属性；
Ii表达式为式(2)：
其中，n表示数据集中样本总数；
通过属性相关的相似度计算公式(1)和(2)，得到不完整数据样本的最近邻样本，构成缺失数据的近邻样本集，计算不完整数据样本和其最近邻样本之间相似度；
4.2)利用近邻样本属性确定缺失数据的填补区间：通过KNN选取的近邻样本边界值确定缺失数据属性的区间范围，以极值点作为填补区间的左右端点值；区间左端点与右端点/>如公式(4)与(5)所示：
上述基于KNN的区间构建，以近邻样本本身携带的数据信息构建区间宽度；左端点为属性最小值，右端点为属性最大值，以属性边界确定填补区间大小；
同时，将完整属性数据集转换为区间型数据集，与不完整数据集保持统一数据形式；不完整数据集转换为区间数据集规则为：
(1)假设存在完整属性xkj，则转换后的属性区间[x-,x+]＝[xkj,xkj]，转换后的属性区间上下限值相等，与完整属性值相等；
(2)按照上述缺失属性区间计算公式，得到缺失属性区间。
4.3)融合空间密度分布的轴承故障诊断方法：对区间型数据进行模糊聚类分析；
对区间型模糊C均值算法进行改进，提出新的目标函数计算公式，将空间密度分布信息引入目标函数公式的计算，在迭代过程中考虑不同样本点对聚类中心计算的影响，优化聚类中心的选取，进而提高聚类准确率；
设属性维度为s区间数据集数据/>对于任意的j(1≤j≤s)，/>区间型模糊C均值算法的目标函数公式如(6)所示：
其中xq(Q为近邻样本数)表示近邻样本，vi表示第i个聚类中心，V为聚类中心矩阵，为V＝[vji]＝[v1，v2，...，vc]，i＝1，2，...，c，j＝1，2，...，s；γ∈[0，1]，为空间密度信息在聚类过程中所占比重。
项越大，代表聚类中心与近邻点的距离和越大，那么局部密度越小，因此目标函数值也越大。聚类中心点的密度越大，对于目标函数取值越有利即目标函数值越小，因此密度与目标函数值成负相关，与该项成正相关。
建立目标函数公式后，利用拉格朗日乘数法求解目标函数极值，求解过程如下：
利用拉格朗日乘子法增广泛函，公式如(9)：
其中λ＝[λ1，λ2，...，λn]T，为最优解求导为0，如公式(10)：
由上式得
带入公式i改为t得：
若区间型数据样本区间完全属于聚类中心区间段内其隶属度值等于1，若完全在区间段外其隶属度等于0，如公式(14)：
否则公式(13)带入(12)后得公式(15)：
同上：
迭代计算后：
从公式(17)与(18)中可以看出，近邻样本可以影响聚类中心的实际位置，能对聚类中心进行优化与调整。从分母上看，整体数据样本不变，隶属度函数不变时，影响分母的是第二项，近邻样本数目相同，因此每次迭代后分母大小固定；分子第一项不变，目标函数越小，近邻样本与聚类中心越相似即距离越小，聚类中心越容易向近邻样本偏移，即向密度较大位置偏移。因此，聚类中心更加接近真实聚类中心，排除局部密度较小的噪声或者簇边界点的干扰，提高算法聚类精度。
4.4)利用融合空间密度分布的轴承故障诊断方法对步骤4.2)得到的区间型数据集进行聚类，得到聚类结果。
步骤4.4)中，具体步骤如下：
4.4.1)构造对不完整数据样本的最近邻样本集：依据最近邻规则选择最近邻样本，确定最近邻样本数q，构建不完整数据的q个最近邻样本集；
4.4.2)输入样本归一化：将所有的数据均转化为区间[0，1]之间的数，从而消除各维度间数量级的差别；
4.4.3)填补缺失属性：根据近邻样本属性确定缺失属性区间大小；
4.4.4)区间化数据集：根据区间型转化规则，将数值型数据集中的数据全部转化为区间型，进而构造区间型矩阵；
4.4.5)初始化：设定迭代停止阈值ε，模糊参数m，聚类簇数最大迭代次数G，初始化隶属度U(0)；
4.4.6)更新聚类中心：当迭代次数为L(L＝1，2，...)时，利用区间型聚类中心更新公式(17)与(18)以及隶属度矩阵U(l-1)计算区间聚类中心矩阵
4.4.7)更新隶属度：根据聚类中心矩阵使用公式(14)与(15)计算隶属度矩阵U(l)；
4.4.8)终止迭代条件：当迭代次数L-G达到最大，或k，/>时停止迭代，算法停止，输出U和V；否则L＝L|1，返回6)。
本发明创造的有益效果为：本发明采用上述方案，通过相似度计算公式来计算待填补样本和其他样本之间的距离，利用近邻样本属性确定缺失数据的填补区间，对缺失数据进行填补，形成完整的区间数据集。同时提出新的空间信息优化聚类中心的方式，将空间信息加入模糊C均值算法(FCM)的聚类分析中。通过将空间信息引入模糊C聚类算法的目标函数公式中优化聚类中心的计算，在迭代过程中不断优化调整，使其更接近真实聚类中心，减弱算法对聚类中心的敏感问题，提高聚类准确率。本发明在区间型数据集上对数据进行故障诊断分析。
附图说明
图1为轴承数据集函数迭代图。
具体实施方式
一种融合空间密度分布的轴承故障诊断方法，其步骤为：
1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；
2)降噪处理：采用小波阈值降噪法，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理；
3)特征选择：计算峭度指标，偏态指标，峰值指标，峰值等时域特征参数，将其作为时域特征向量；
4)轴承故障诊断：
4.1)确定最近邻样本：根据最近邻规则为不完整数据选取相应的近邻样本集；不完整数据样本集中的不完整数据样本xa与数据样本xb的相似性度量公式如公式(1)：
其中，xia是样本xa的第i个属性，xib是样本xb的第i个属性；
Ii表达式为式(2)：
其中，n表示数据集中样本总数；
通过属性相关的相似度计算公式(1)和(2)，可以得到不完整数据样本的最近邻样本，构成缺失数据的近邻样本集。具体的不完整数据样本和其最近邻样本之间相似度的计算过程为：假设有一个包含有5个数据属性值的不完整数据样本表示为xa＝(5，？，？，3，？)，其中“？”表示丢失的数据属性值，它的最近邻数据样本之一表示为xb＝(5，8，？，2，6)，其相似度的计算过程如式(3)所示：
4.2)利用近邻样本属性确定缺失数据的填补区间：通过KNN选取的近邻样本边界值确定缺失数据属性的区间范围，以极值点作为填补区间的左右端点值。区间左端点与右端点/>如公式(4)与(5)所示：
上述基于KNN的区间构建，以近邻样本本身携带的数据信息构建区间宽度。左端点为属性最小值，右端点为属性最大值，以属性边界确定填补区间大小。
同时，将完整属性数据集转换为区间型数据集，与不完整数据集保持统一数据形式。不完整数据集转换为区间数据集规则为：
(1)假设存在完整属性xkj，则转换后的属性区间[x-，x+]＝[xkj，xkj]，转换后的属性区间上下限值相等，与完整属性值相等。
(2)按照上述缺失属性区间计算公式，得到缺失属性区间。
4.3)融合空间密度分布的轴承故障诊断方法：对区间型数据进行模糊聚类分析；
对区间型模糊C均值算法进行改进，提出新的目标函数计算公式，将空间密度分布信息引入目标函数公式的计算，在迭代过程中考虑不同样本点对聚类中心计算的影响，优化聚类中心的选取，进而提高聚类准确率。
设属性维度为s区间数据集数据/>对于任意的j(1≤j≤s)，/>区间型模糊C均值算法的目标函数公式如(6)所示：
其中xq(Q为近邻样本数)表示近邻样本，vi表示第i个聚类中心，V为聚类中心矩阵，为V＝[vji]＝[v1，v2，...，vc]，i＝1，2，...，c，j＝1，2，...，s。γ∈[0，1]，为空间密度信息在聚类过程中所占比重。
项越大，代表聚类中心与近邻点的距离和越大，那么局部密度越小，因此目标函数值也越大。聚类中心点的密度越大，对于目标函数取值越有利即目标函数值越小，因此密度与目标函数值成负相关，与该项成正相关。
建立目标函数公式后，利用拉格朗日乘数法求解目标函数极值，求解过程如下：
利用拉格朗日乘子法增广泛函，公式如(9)：
其中λ＝[λ1，λ2，...，λn]T，为最优解求导为0，如公式(10)：
由上式得
带入公式i改为t得：
若区间型数据样本区间完全属于聚类中心区间段内其隶属度值等于1，若完全在区间段外其隶属度等于0，如公式(14)：
否则公式(13)带入(12)后得公式(15)：
同上：
迭代计算后：
从公式(17)与(18)中可以看出，近邻样本可以影响聚类中心的实际位置，能对聚类中心进行优化与调整。从分母上看，整体数据样本不变，隶属度函数不变时，影响分母的是第二项，近邻样本数目相同，因此每次迭代后分母大小固定；分子第一项不变，目标函数越小，近邻样本与聚类中心越相似即距离越小，聚类中心越容易向近邻样本偏移，即向密度较大位置偏移。因此，聚类中心更加接近真实聚类中心，排除局部密度较小的噪声或者簇边界点的干扰，提高算法聚类精度。
4.4)利用融合空间密度分布的轴承故障诊断方法对步骤4.2)得到的区间型数据集进行聚类，得到聚类结果。
具体步骤如下：
4.4.1)构造对不完整数据样本的最近邻样本集：依据最近邻规则选择最近邻样本，确定最近邻样本数q，构建不完整数据的q个最近邻样本集；
4.4.2)输入样本归一化：将所有的数据均转化为区间[0，1]之间的数，从而消除各维度间数量级的差别；
4.4.3)填补缺失属性：根据利用近邻样本属性确定缺失属性区间大小；
4.4.4)区间化数据集：根据区间型转化规则，将数值型数据集中的数据全部转化为区间型，进而构造区间型矩阵；
4.4.5)初始化：设定迭代停止阈值ε，模糊参数m，聚类簇数最大迭代次数G，初始化隶属度U(0)；
4.4.6)更新聚类中心：当迭代次数为L(L＝1，2，...)时，利用区间型聚类中心更新公式(17)与(18)以及隶属度矩阵U(l-1)计算区间聚类中心矩阵
4.4.7)更新隶属度：根据聚类中心矩阵使用公式(14)与(15)计算隶属度矩阵U(l)；
4.4.8)终止迭代条件：当迭代次数L-G达到最大，或k，/>时停止迭代，算法停止，输出U和V；否则L-L+1，返回6)。
实施例1：
一、本发明方案的理论依据：
1、区间型模糊C均值
区间模糊C均值的数据均是区间表示。设属性维度为s区间数据集数据/>对于任意的j(1≤j≤s)，/>区间型模糊C均值算法的目标函数公式为：
其中表示第i个聚类中心，/>为聚类中心矩阵，表示为/> i＝1，2，...，c，j＝1，2，...，s。
公式(19)达到极小值的条件为：
若存在区间型数据样本在某个聚类中心的区间值内，其隶属度设为1，反之则其隶属度为0不属于该类，公式为：
否则
2、空间分布对聚类的影响
FCM算法基于欧式距离建立目标函数，所有样本点无差别参与聚类过程，只利用样本点自身携带的信息，未考虑样本属性在样本集中的空间分布信息对聚类分析的影响。传统的模糊聚类算法如模糊C均值随机选取初始聚类中心，认为每个数据样本成为聚类中心概率相同，即对聚类中心的选取随机进行的，但是实际上聚类中心的分布与数据的空间信息分布有关，聚类中心一般分布在数据密度较高的位置，被其他低密度点包围，同时又与其他聚类中心有一定的距离，离群点若被选取为聚类中心，将对聚类中心计算产生负面的影响。
3、空间信息优化模糊C均值聚类(FCM)
在FCM算法的目标函数中增加影响目标函数结果的样本点的空间邻域信息，根据样本的局部密度不同，导致对聚类的贡献不同，赋予不同的权重加到目标函数公式中，参与聚类分析。
权值的计算方法是通过统计数据样本点在某一邻域内的样本点个数，对于X＝{x1，x2，...，xn}，样本总数为n，属性维度为s，样本权值计算过程如下：
样本xp和其他样本之间的距离计算公式如(26)为：
权值的计算公式如(27)所示：
其中，mp代表数据xp一定范围内的个数，公式如(28)和(29)
mp＝∑Ipq (28)
将权重引入目标函数，增加空间信息的影响，最终聚类的目标函数公式如(30)所示：
样本分布越密集，在聚类中贡献越大，赋予的权重越高。
二、本发明技术方案的实现过程：
1.信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；
2.降噪处理：采用小波阈值降噪法，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理；
3.特征选择：计算峭度指标，偏态指标，峰值指标，峰值等时域特征参数，将其作为时域特征向量；
4.轴承故障诊断：
4.1确定最近邻样本：根据最近邻原则选取近邻样本，提出相似度计算公式计算缺失样本和其他样本之间的距离，根据样本数据之间得到的相似度距离来确定不完整样本的的q个近邻样本。对计算得到的距离进行从小到大的排序，距离最近的q个样本组成该待填补样本的邻域样本集；
4.2利用近邻样本属性确定缺失数据的填补区间：通过KNN选取的近邻样本边界值确定缺失数据属性的区间范围，以极值点作为填补区间的左右端点值。将完整的数据区间化；
4.3利用融合空间密度分布的轴承故障诊断方法对区间型数据集进行聚类；
4.4融合空间密度分布的轴承故障诊断方法与三种不完整数据聚类方法进行对比。方法评价标准选取平均聚类错分数、错分标准差进行分析，实验对比使用轴承数据集：本发明使用凯斯西储大学轴承数据集中故障直径为0.007ft，数字信号采样频率为12000Hz的驱动轴承数据用于智能诊断，将四种负载0条件下的信号进行数据预处理，每种轴承状态各取50种。
取数据集在缺失比例5％，10％，15％和20％的十次均值。实验结果如下所示。其中最优结果为黑体标记，次优结果用下划线标记。
表1平均聚类错分数
表2聚类错分标准差
与上述三种方法相比，由上表中平均错分数可以看出，本发明提出算法整体上要优于其他算法。从误分数标准差方面来看，不同的数据集下本文算法也可以取得多次较优解，算法比较稳定。算法在样本属性填充上考虑属性分布信息使区间更加精准，同时考虑到样本密度分布对聚类的影响使聚类精度在整体上提高。
本发明提出的不完整数据聚类方法可应用在模式识别领域中，解决缺失数据情况下设备的故障诊断问题，在设备诊断过程中，可以对正常、亚健康、故障工况下的设备各参数运行数据进行聚类分析，得到聚类中心。在设备智能诊断过程中，设备运行的新数据将会与训练得到的聚类中心进行相似度检验，通过相似度的高低来决定设备处于何种工况类别。

Claims (2)

1.一种融合空间密度分布的轴承故障诊断方法，其特征在于，其步骤为：
1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；
2)降噪处理：采用小波阈值降噪法，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理；
3)特征选择：计算峭度指标，偏态指标，峰值指标，峰值时域特征参数，将其作为时域特征向量；
4)轴承故障诊断：
4.1)确定最近邻样本；
4.2)利用近邻样本属性确定缺失数据的填补区间；
4.3)融合空间密度分布的轴承故障诊断方法：对区间型数据进行模糊聚类分析；
对区间型模糊C均值算法进行改进，采用新的目标函数计算公式，将空间密度分布信息引入目标函数公式的计算，在迭代过程中考虑不同样本点对聚类中心计算的影响，优化聚类中心的选取，提高聚类准确率；
设属性维度为s区间数据集数据/>对于任意的j(1≤j≤s)，/>区间型模糊C均值算法的目标函数公式如(1)所示：
其中xq表示近邻样本，q为近邻样本数,vi表示第i个聚类中心，V为聚类中心矩阵，为V＝[vji]＝[v1，v2，...，vc]，i＝1,2,...,c，j＝1,2,...,s；γ∈[0,1]，为空间密度信息在聚类过程中所占比重；
项越大，代表聚类中心与近邻点的距离和越大，局部密度越小，目标函数值也越大；聚类中心点的密度越大，对于目标函数取值越有利即目标函数值越小，此密度与目标函数值成负相关，与该项成正相关；
建立目标函数公式后，利用拉格朗日乘数法求解目标函数极值，求解过程如下：
利用拉格朗日乘子法增广泛函，公式如(4)：
其中λ＝[λ1,λ2,...,λn]T，为最优解求导为0，如公式(5)：
由上式得
带入公式i改为t得：
若区间型数据样本区间完全属于聚类中心区间段内其隶属度值等于1，若完全在区间段外其隶属度等于0，如公式(9)：
否则公式(8)带入(7)后得公式(10)：
同上：
迭代计算后：
由公式(12)与(13)中得出，近邻样本影响聚类中心的实际位置，能对聚类中心进行优化与调整；从分母上看，整体数据样本不变，隶属度函数不变时，影响分母的是第二项，近邻样本数目相同，因此每次迭代后分母大小固定；分子第一项不变，目标函数越小，近邻样本与聚类中心越相似即距离越小，聚类中心越容易向近邻样本偏移，即向密度大位置偏移；聚类中心更加接近真实聚类中心，排除局部密度小的噪声或者簇边界点的干扰，提高算法聚类精度；
4.4)利用融合空间密度分布的轴承故障诊断方法对步骤4.2)得到的区间型数据集进行聚类，得到聚类结果。
2.根据权利要求1所述的融合空间密度分布的轴承故障诊断方法，其特征在于：所述的步骤4.4)中，具体步骤如下：
4.4.1)构造对不完整数据样本的最近邻样本集：依据最近邻规则选择最近邻样本，确定最近邻样本数q，构建不完整数据的q个最近邻样本集；
4.4.2)输入样本归一化：将所有的数据均转化为区间[0,1]之间的数，从而消除各维度间数量级的差别；
4.4.3)填补缺失属性:根据利用近邻样本属性确定缺失属性区间大小；
4.4.4)区间化数据集：根据区间型转化规则，将数值型数据集中的数据全部转化为区间型，进而构造区间型矩阵；
4.4.5)初始化：设定迭代停止阈值ε，模糊参数m，聚类簇数最大迭代次数G,初始化隶属度U(0)；
4.4.6)更新聚类中心：当迭代次数为L(L＝1,2,...)时，利用区间型聚类中心更新公式(12)与(13)以及隶属度矩阵U(l-1)计算区间聚类中心矩阵
4.4.7)更新隶属度：根据聚类中心矩阵使用公式(9)与(10)计算隶属度矩阵U(l)；
4.4.8)终止迭代条件：当迭代次数L＝G达到最大，或 时停止迭代，算法停止，输出U和V；否则L＝L+1,返回6)。
CN202110804528.4A 2021-07-16 2021-07-16 一种融合空间密度分布的轴承故障诊断方法 Active CN113469107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110804528.4A CN113469107B (zh) 2021-07-16 2021-07-16 一种融合空间密度分布的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110804528.4A CN113469107B (zh) 2021-07-16 2021-07-16 一种融合空间密度分布的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN113469107A CN113469107A (zh) 2021-10-01
CN113469107B true CN113469107B (zh) 2024-06-04

Family

ID=77880545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110804528.4A Active CN113469107B (zh) 2021-07-16 2021-07-16 一种融合空间密度分布的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113469107B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114046993A (zh) * 2021-10-19 2022-02-15 南京工业大学 一种基于多特征参数融合与fcm-hmm的回转支承状态评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN104751229A (zh) * 2015-04-13 2015-07-01 辽宁大学 一种改进bp神经网络估值的缺失数据轴承故障诊断方法
CN106153340A (zh) * 2016-06-29 2016-11-23 北京工业大学 一种滚动轴承故障诊断方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021007744A1 (zh) * 2019-07-15 2021-01-21 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN104751229A (zh) * 2015-04-13 2015-07-01 辽宁大学 一种改进bp神经网络估值的缺失数据轴承故障诊断方法
CN106153340A (zh) * 2016-06-29 2016-11-23 北京工业大学 一种滚动轴承故障诊断方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于自适应局部迭代滤波和模糊C 均值聚类的 滚动轴承故障诊断方法;张超 等;《轴承》(第第5期期);全文 *
局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型;黄骥;蒋章雷;徐小力;;机械设计与制造(第11期);全文 *

Also Published As

Publication number Publication date
CN113469107A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN107992976B (zh) 热点话题早期发展趋势预测系统及预测方法
CN109472088B (zh) 一种页岩气调产井生产压力动态预测方法
CN108732931B (zh) 一种基于jit-rvm的多模态间歇过程建模方法
CN107045569B (zh) 基于聚类多目标分布估计算法的齿轮减速器优化设计方法
CN112784140B (zh) 一种高能效神经网络架构的搜索方法
CN111340069A (zh) 基于交替学习的不完整数据精细建模及缺失值填补方法
CN113469107B (zh) 一种融合空间密度分布的轴承故障诊断方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN111079788A (zh) 一种基于密度Canopy的K-means聚类方法
CN111738346A (zh) 一种生成式对抗网络估值的不完整数据聚类方法
CN115051929A (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN113095501A (zh) 一种基于深度强化学习的不平衡分类决策树生成方法
CN117056763A (zh) 基于变分图嵌入的社区发现方法
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN117216651A (zh) 一种重型装备数据预处理的故障诊断方法
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
CN107766887A (zh) 一种局部加权的不完整数据混杂聚类方法
CN113722853B (zh) 一种面向智能计算的群智能进化式工程设计约束优化方法
CN113469106B (zh) 一种缺失数据的knn区间型轴承故障诊断方法
CN113296947B (zh) 基于改进XGBoost模型的资源需求预测方法
CN113177600A (zh) 一种电力系统自适应鲁棒状态估计方法
CN113205124A (zh) 一种基于密度峰值的高维真实场景下的聚类方法、系统及存储介质
CN117727373B (zh) 基于样本和特征双加权的特征约简中智c-均值聚类方法
CN110728293B (zh) 一种游客去向数据分级聚类方法
CN114881429B (zh) 基于数据驱动的台区线损量化方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant