一种基于模糊聚类的故障诊断方法

基于模糊聚类分析的航天发射故障诊断技术

ＬＵＯｅ，ＺＭｉＨＡＮＧｉｎＭＥＴａ，ＮＧａ — ｏｇＺＨＡＯｏｇｔｏＸｉｏｈｎ，Ｚｎ —ａ
（ｐｒｎｏＣｍｐｔ，ｅｏｄＡｔｌｙＥｇｅｒｇＣｌｇ， ’ｎ１０５Ｃｉ）ＤｅａｔｔｆｏｕｅＳｃｎｒｌｒｎｉｅｎｏｅｅＸｉ０２，ｈｎｍｅｒｉｅｎｉｌａ７ａ
Ａｂｅｔｅｃｐｃｔｆｅｒｅｃｅｐｎｅｏｅａｉｎｓａｍｏｅｆｆｚｙｃｕｔｒｓｒｃ：ｎｏｄｒｔｅｕｅｔａｎｈｔｈｍｅａｄｉｃｅｓｈａａｉｏｍｅｇｎｙｒｓｏｓｐｒｔｙｏ，ｄｌｚｌｓｅｏｕ
ＴｃｎｌｇｆａｌｄａｎｓｓｆｒｐｃｆｇｔａｎｈｂｓｄＯｚｙｃｕｔｒａａｙｉｅｈｏｏｙｏｕｔｉｇｏｉｏａｅｉｈｕｃａｅＮｆｚｌｓｅｎｌｓｓｆｓｌｌｕ
ｆｎｔｎｅｍｅｔｅｄｓｎｅｉｒｓｎｅ．ａｄａｃｕｔｒａａｙｉｂｓｄｏｚｙａｇｒｔｍｓＪＡｓｅｉｎｄｅｅｔｅｒａ—ｉｅａｄｕｃｉｓｔｄｆｉｔｃｐｅｅｔｄｎｌｓｅｎｌｓｓａｅｎｆｚｌｏｉｏｏｈａｓｕｈＬｉｄｓｇｅ，ｆｃｉｌｔＦｖｅｍｎ
一
１故障模糊分析与算法设计
以下我们对故障进行模糊分析，就是将一个故障看成也

诊断汽轮发电机组振动故障的一种模糊聚类分析方法

ｈｏｄｆｒｇｏｓａａｇｏｏｅｒｕｎｄ．
Ｋｅｒ：ｕｒ－ｅｅａｏ；ｕｚｌｓｅｉｇ；ａｌｙｄａｎｓｙｗｏｄｓｔｂｏｇｎｒｔｒｆｚｙｃｕｔｒｎｆｕｔｉｇｏｉｓ
Ａｕｚｕｔｒｎｔｏｏｕｂ —ｅｅａｏｂａｉｎＦｕｔａｎｓｓＦｚｙＣｌｓｅｉｇＭｅｈｄｆｒＴｒｏｇｎｒｔｒＶｉｒｔｏａｌＤｉｇｏｉｙ
ＺＮＧＢ．ｅＳＮＣｉｉ，ＯｉＺＯＵＹｎｃｕＨＡｉ，Ｕａ．ｎＵＪａｄｘｎ，Ｈｉ．ｈｎ
ｒ
ｌ
：
０前
言
ｔｌ一
１２模糊等价矩阵的确定．
ｌ㈣ ‘
汽轮发电机组的振动故障具有多样性、杂性的特点，复对它们进行正确、面的识别具有一定程度的困难。国内外全有效的故障提
断汽轮发电机组振动故障，有良好的应用前景。具关键词：汽轮发电机组；糊聚类；障诊断模故
分类号：Ｍ３Ｔ１１文献标识码：Ａ文章编号：０１５８（０２０４２９）１０ —８４２０）５）８４３
（ｈｎｑｎｎｖｒｔ，Ｃｏｇｉｇ４０４ＣｉａＣｏｇｉｇＵｉｅｓｙｈｎｑｎ００４，ｈｎ）ｉ
ＡｂｔａｔＴｈｓｐｐｒｉｔｏｕｅｕｚｌｓｅｎｔｏｎｔｒｏｅｅａｏｉｒｔｎｆｕｔｉｇｏｉ．Ｔｈｌｓｆｄｓｍ— ｓｒｃ：ｉａｅａｒｃｓａｆｚｙｃｕｔｒｇｍｅｈｄｉｕｂｇｎｒｔｒｖｂａｉａｌｙｄａｎｓｓｄｉｏｅｃａｓｉａｅｐｅｓｃｍｐｓｄｏｔｎａｄｆｕｔａｌｓａｄｃｅｋｄｓｐｅ．ＴｅｉｉａｏｔｓａｑｉｅｙｆｚｙｅｕｖｅｔｔｉｄｉｓｉｏｏｅｆｓａｄｒａｙｓｍｐｅｈｃｅａｌｓｈｎｔｌｓｒｉｃｕｒｄｂｚｑｉａｎｒｘａｌｎｍｉｕｌｍａｎＦｓａｓｃ－ｔｔｔ．Ａｔｔｅｓｍｅｔｉｉｈａｉｍｅ．ｔｅｉｔｔｒｔｖｔｘｆｒｔｅｆｚｙｃｍｅｓｉａｓｃｕｒｄＳｔｇｔｔｅｍｏｔｏｔｚｈｎｉｉａｉｅｍａｒｏｈｕｚ — ａｓｌｏａｑｉｅ．ｏｉｅｓｈｓｐｍｉｅｌａｅｉｎｉ

一种基于聚类的滚动轴承故障诊断方法

ａｎｓｅｄＣｕｔｒｇａｍａｒｎｕｅｖｅａｎｎｃｎｌｙｏｃｐｅａｐｒｐｓｉｎｉｆｉｒｇｏｉｆｌ．ｌｅｉ，ｊｓｐｒｉｄｌｉｔｈｏｏ，ｃｕｉｎｉｏｔｏｉｏａｌｅｓｉｓｎｏｕｓｅｒｇｅｇｓｍｔｎｕｉｔｌｅｔｉｎｓａｅｎｍａｈｎｅｒｉｇｎｒｌｎｅｉｕｔｉｎｓ，ｅｔｄｔｎｌｐｃｒｍｎｅｉｎａｏｉｂｓｄｏｃｉｌａｎｎ．ｏｌｇｂａｎｆｌｄａｏｉｔｒｉｏａｓｅｔｌｇｄｇｓｅＩｉｒｇａｇｓｈａｉｕ
解调谱线很难分辨故障类型。针对此，出了一种新的模糊聚类提
算法，探讨了该算法在滚动轴承故障诊断中的应用。
２基于模糊Ｆｓｅ准则的聚类算法ｉｒｈ
２１模糊Ｆｓｅ准则．ｉｒｈ
设一集合包含 Ⅳ个ｄ维样本Ｌ模式类别有ｃ个，，习的故障诊断和基于无监督学习的故障诊断。基于监督学习的故在该样本空间，定义各类样本均值向量记为ｍ，模糊类内散布矩障诊断利用系统在正常和故障情况下的标记数据样本来训练系
鎏＝
∞
（６）
对于线性可分数据集，将作为聚类目标函数， ‰ 取当
得极大值时，表明样本点在 ∞方向上投影类间距离最大且类内距离最小。使用Ｌｇａｇａｒｎｅ乘子法求解取得极大值时，ｍ和，的取值。定义Ｌｇａｇａｒｅ函数为：ｎ
４５６组内圈故障，，、归一化处理后，如表１所示。对表１中数据采用ＦＣ聚类算法，Ｆ聚类结果，图１如所示。图中实现为样本投影

基于三比值法与模糊聚类的变压器故障诊断

０００１０００００１９／
Ｕ（＝００００１００００１９ｏ／）
实例１：对某电厂１号主变压器油中溶解气体
进行色谱分析，测得各种气体体积分数如下：＝
２６．ＣＨ４３０，Ｈ６＝９．Ｃ２＝８０，Ｈ２２０。００，＝１．Ｃ２２０，Ｈ４４．Ｃ２＝９．
０００００１０００１９／
００００００ｌ００１９／００００００Ｏ１０１９／００００００００ｌ１９／
ｊ，）∑ ∑ （）（＝ｕ “ｍ（
ｉｌｊｌ＝＝
（２）
般性，用表２中的数据重新组成初始矩阵。
表３故障征兆的特征样本
式中：为权重指数，１＋；样本到中心ｍｍ， ∞］ｄ为
矢量的距离，ｌＴＶ１。也＝ｌｌｘ应用拉格朗日乘子法使目标函数取极小值。得
８１
充油电气设备故障类型的主要方法，可以得出对并故障状态较可靠的诊断。
表２故障类型判断方法
的约束条件。
步骤３用式（）算聚类中心Ｖ（＝，，，：４计ｉ１２ …
）。
步骤４根据式（）：２计算目标函数。如果它小于某个确定的阀值，或与上次价值函数值的改变量小于某个阀值，则算法停止。步骤５根据式（）算新的模糊隶属矩阵，：３计

基于模糊聚类分析的燃气轮机振动故障诊断研究

诊断效率与诊断精度。
障征兆也可能对应多种故障原因，这就使得燃气轮机故障征兆和故障原因之间存在很强的模糊性逻辑关系。
对海上石油作业区的某型号燃气轮机的振动故
１模糊聚类分析在燃气轮机故障诊断中的应用
燃气轮机压气机喘振轴径和轴承偏心
轴承在水平和垂直方
～一一～一一～一一一～一一～一一～一一～一
障有转子不平衡、转子不对中、转子弯曲、压气机喘
振等。在系统性研究国内外故障诊断专家成果的基础上，结合ＭｅｈｅｒｗａｎＰ．Ｂｏｙｃｅ撰写的燃气轮机工程手册对燃气轮机常见振动故障的总结Ｊ，并依据振动故障征兆相似度（故障振动频谱信息），对振动特征
通过频谱分析，对各类振动故障原因的主导频
作者简介：王文祥（１９６５一），男，河南人，高级工程师，学士，从事海洋石油机械工程设计，Ｅ — ｍａｉｌ：３７９４７１０２７＠ｑｑ．ｃｏｎ。ｒ
第３期
基于模糊聚类分析的燃气轮机振动故障诊断研究
值，则该转子出现振动故障，通过对国内外燃气轮机
振动故障案例的统计，得出常见的燃气轮机振动故
色，为避免燃气轮机运行故障所开展的故障诊断
与治理维护越来越受到科研人员的重视。然而作为结构复杂的大型高速旋转机械，在对其进行振

基于模糊聚类的城轨列车辅助逆变器故障诊断

摘要：针对辅助逆变器结构复杂，易产生故障等问题，本文基于小波包频带能量分解的基本原理和模糊ｃ均值聚类算法，研究了模糊ｃ均值聚类算法在辅助逆变器故障诊断中的应用，并以ＭＡＴＬＡＢ软件为仿真平台实现对故障信号的仿真，在仿真中设置电压频率变化、供电中断、脉冲暂态等几类故障，同时选用基于小波包频带能量分解的方式提取故障特征向量作为故障诊断的标准样本，通过计算待诊断样本与标准样本的贴近度，实现故障模式识别。仿真结果表明，模糊ｃ均值聚类算法可以准确地进行故障分类。该研究为城
小波包分析是从小波分析中扩展出来的一种对信号分析和重构的方法。它对小波变换中多分辨率分
析进行改进，在对低频部分分解的同时，对高频部分也进行分解，并能根据采集信号的特征，自适应地选择相
应频带。１．１小波包分解重构原理
（１）
收稿日期：２０１２ —１１ —２８
基金项目：国家科技支撑计划项目（２０１１ＢＡＧ０１Ｂ０５）；轨道交通控制与安全国家重点实验室课题（ＲＣＳ２０１１Ｋ００５，ＲＣＳ２０１２Ｋ００６）；山东省基金课题（ＢＳ２０１１ＤＸ００８，ＺＲ２００９ＦＱ０１２，ＺＲ２０１１ＦＭ００８）；国家８６３计划项目（２０１１ＡＡ１１０５０１）作者简介：马增涛（１９８９一），男，山东潍坊人，硕士研究生，主要从事智能控制系统研究。

基于模糊聚类的网络故障预报

（ｃｏｌｏｏｕｅ。ｏｔＣｉａＥｅｔｃＰｗｒＵｉｒｉ，ａｄｎ，ｂｉ０１０）ＳｈｏｆＣｍｐｔＮｒｈｎｌｃｏｅｎｖｓｙＢｏｉｇＨｅｅ７０３ｒｈｉｒｅｔ
ＡｂｔａｔＦｒｔｅｐｏｌｍｓｏｏｔｎｉｕｃｒｉｔｎｕｚｎｓｎｔｅｔ－ｅｅｆｔｅｎｔｏｋｍａａｅｎｌｒｓｒｃ：ｏｈｒｂｅｆｃｎｉｕｔｎｅｔｎａｄｆｚｉｅｓｉｉｙ，ａｙｈｍｅｓｒｓｏｅｗｒｎｇｍｅｔａａｍｉｈｄｔｂｓｔｉａｅｕｓｏｗｒｎｗｍｎｍｅｓｒｓａａａｅ，ｓｈｐｐｒｐｔｆｒａｄａｅｍｉｇｔ — ｅｅｍｅｏｂｓｄｏｕｚｃｕｔｒｇＴｅｍｅｈｄａｐｉｓｈｅｉｉｈｔｄａｅｎｆｚｙｌｓｉ．ｈｔｏｐｌｔｅｎｅ
Ｋｅｗｏｄｙｒｓ：ｎｔｏｋｍａａｅｎ，ａａｍｉｉｇｆｕｔｐｅｉｔｎ，ｚｙｃｕｔｒｇ，ｌｒｄｔｂｅｔ — ｅｅｌｓｅｒｎｇｍｅｔｄｔｎｎ，ｌｒｄｃｉｆｚｌｓｅｎａａｍａａａ，ｍｅｓｒｓｒｅｗａｏｕｉｓｉｉｕ
ｆｚｙｌｓｅｎｅｒｏｐｅｉｔｈｃａａｍｓａｓｔｅａａｍｓＴｅｅｐｒｎａｅｏｃｍｐｓｅｏｋｌｒｕｚｃｕｔｒｇｔｏｙｔｒｄｃｗｉｈｌｒｃｕｅｏｒｌｒ．ｘｅｍｅｔｂｓｄｎａａｕｎｔｒａａｍｉｈｈｈｉｗｄｔｂｓｈｗａｎｉｎｆａｔｔ－ｅｅｕｅｏｌｅａｑｉｄａｃｒｔｌｄｅｉｉｎｌｒｍａｇｏｎａａａｅｓｏｓｔｔｍａｙｓｇｉｃｉｈｉｎｍｅｓｒｓｒｌｓｃｕｄｂｃｕｒｃｕａｅｙａｆｃｅｔｆｉｅｎｙｏａｌｒｅａｕｔｍ

基于ITD和模糊聚类的齿轮箱故障诊断方法

中图分类号：ＴＫ４０７文献标志码：Ａ
Ｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｅｄｏｎｉｎｔｒｉｎｓｉｃｔｉｍｅ・ｓｃａｌｅ
类算法对齿轮箱故障进行识别与诊断，并将该方法应用到现场齿轮箱的诊断中。结果表明．诊断结果与实际情况完
全相符，该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度，为齿轮箱故障诊断提供了一种新的有效方法。关键词：固有时间尺度分解；模糊Ｃ一均值聚类；齿轮箱；故障；诊断
Ｂｅｒｉｎｇ１０２２４９，Ｃｈｉａ）ｎ
Ａｂｓｔｒａｃｔ：Ｃｏｎｓｉｄｅｉｎｒｇｔｈｅｎｏｎ — ｌｉｎｅａｒａｎｄｎｏｎ — ｓｔａｔｉｏｎａｒｙｃｈａｒａｃｔｅｉｓｒｔｉｃｓｏｆｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｏｆｇｅａｒｂｏｘ，ａｎｅｗｍｅｔｈｏｄｂａｓｅｄ
ｔｕｒｅｅｎｅｒｇｙｗａｓｃｌｃａｕｌａｔｅｄａｓｆａｕｌｔｆｅａｔｕｒｅｖｅｃｔｏｓ．Ｆｒｉｎｌｌａｙ，ｆａｕｌｔｓｏｆｇｅａｒｂｏｘｗｅｒｅｉｄｅｎｔｉｉｆｅｄｂｙｕｓｉｎｇＦＣＭｍｅｔｈｏｄ．Ｔｈｅｒｅ — ｓｕｈｓｓｈｏｗｔｈａｔｔｈｅｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｏｆｇｅａｒｂｏｘａｒｅｔｏｔａｌｌｙｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｔｈｅａｃｔｕｌａｓｉｔｕａｔｉｏｎｉｎｔｈｅａｐｐｌｉｃａｔｉｏｎ．Ｔｈｅｎｅｗ

小波分析-模糊聚类法用于滚动轴承故障诊断

了基于尺度一量谱的特征提取和模糊聚类相结合的滚动轴取故障诊断方法。该方法应用于齿轮减速器ＪＱ２Ｏ的能ｚ５
故障诊断中，对大量实测数据的处理和分析，够比较准确地识别和诊断出减速器的正常运行状态、圈故障和经能内
（）满足允许条件（完全重构条件ｌＩ（Ｉ＜ｆｄ）ｔ
。。或恒等分辨条件）
ｃｆ一
伸缩和平移后得
．
ｄ＜。。
（１）
称（）ｆ为一个基本小波或母小波将母函数（）ｆ经
（ｆ）
（），Ｒ≠（ｂ，０）口∈ 口２
特征的全貌。而从联合的时频域来识别这两类信号，提供时频域的综合信息，提高诊断的准确性和可会靠性。小波变换是一种信号的时间一度（率）分尺频
析方法，同时进行时域和频域分析，可具有时频局部化和多分辨特性，根本上克服了傅里叶分析只能从
到异常是一个渐变过程，表现出来的征兆在很多所
６＜一
征向量
（）ｄｆ
（）３
１２连续小波变换法提取滚动轴承运行状态的特．
情况下具有模糊性，以模糊数学为理论基础的聚而
类分析方法为解决这类模糊性问题提供了新的途

基于模糊聚类算法的故障数据分析与类型识别

提出一种改进模糊聚类算法．要步骤为：主
算法中一般采用误差平方和准则函数作为聚类
ｋ
① 构造模糊相似矩阵．计算最大矩阵元并按从大
到，｝ＵＪ歹：、
准则函数．其定义为：
＝
②根据最大矩阵元值的突跃区将样本分为Ｃ类。
系统故障的微弱非线性不规则信号．再用模糊聚类方
法对系统故障进行分类识别。１８９７年．ａａ将计算机视觉领域内多尺度分析Ｍｌｔｌ
的思想引入到小波分析中．研究了小波函数的构造及
的多传感器或单传感器系统．其工作状态是否稳定将
对测量结果产生重要的影响利用数据分析的统计和计算方法是故障分析中的重点项目。考虑到测量系统结构庞大、系统层次多以及测试数据量大，及时性和可靠性要求高等特点．在测量系统故障诊断中应用成熟
的数据挖掘技术对数据进行分析是一条有效的解决途
⑤修正划分矩阵 “ ：
１，
羔坚掣）（音
雌ｆ —ＶＩＩ
故障进行分类识别。并给出了两种分类识别规则．从而
（）６
。
（１２ … ，ｄｌ２ … ，），，Ｃ＝，，ｎ＝
实现故障的准确识别。该方法在系统故障的分析、识别
及处理有较好的效果此分析方法在其他技术领域的
宽；当尺度因子很小时．小波基函数的支撑区间较宽
窄．其时频特性如图１所示。

基于加权模糊C均值聚类算法的变压器故障诊断

ｐｒｔｎｎ，ｉｐｐｒｕｅｈｅｇｔｏｅｐｅｓｔｅｒｌｔｅｄｇｅｆｔｅｉｏａｃｆｖｒｕａａｉａｌｐｒｔｎｎ，ａｄａｔｉｉｇｔｓａｅｓｓｔｅｗｉｈｓｔｘｒｓｈｅａｉｅｒｅｏｈｍｐｒｎｅｏａｉｓｄｔｎｆｕｔａｉｏｉｇｎｉｏｈｖｔｏｔｉ
Ｃｉａｈｎ）
ＡｂｔａｔＴｅｆｚｙｃｍａｓｌｓｒｇ（Ｃａｏｉｍｈｓｔｅｔｎｆｉｄｎａｅｓｅｕｌ，ｅｅｅｔｆｅｃａｐｅｏｓｒｃ：ｈｕｚ — ｅｎｕｔｉｃｅｎＦＭ）ｌｒｈａｈｅｄｏｄｖｉｇｄｔｓｔｑａｙｔｆｃｏｈｓｍｌｎｇｔｒｉａｌｈｆａ
ＦａｔＤｉｇｏｉｎＴｒｎｓｏｍｅｓｄｏｅｇｅｕｌａｎｓｓｏａｆｒｒＢａｅｎＷｉｈｔｄ
ＦｕｚｙＣ－ｍｅｎｕｓｅｉｇＡｌｏｉｈｍｚａｓＣｌｔｒｎｇｒｔ
ＺＨＡＯｎ — ｅ，ＨＵＡＮＧｉ－ｏｇＩＰｉｐｉＹｏｇｌｉＪａｄｎ，Ｌｅ－ｅ
ｐｒｓｎｓａｗｅｇｅｆｚｙｃｅｅｔｉｈｔｄｕｚ —ｍｅｓｃｕｓｅｉｇａｇｒｔｍａｎｌｔｒｎｌｏｉｈｗｈｉｈｃｎａｃｍｐｉｈｆｕｔｃｕｔｒｎｇＣｏｐａｅｔｃａｃｏｌｓａｌｌｓｅｉ．ｍｒｄｗｉＦＣＭｌｏｉｈａｇｒｔ．ｔｈｍｈｅ

基于模糊聚类法的神经网络变压器故障诊断系统

ｔｅｓｍｐｅｓｔｒｗｅｈｉｔｂｔｎｏａｌｓｎｔｓｍｍｅｒａ，ｉｍａａｓａｇｏｔｅｈａｌｅｈｎｔｅｄｓｒｕｉｆｓｍｐｅｉｏｙｏｉｏｔｃｌｔｙｃｕｅｄｍａｅｔｈｉ
Ｋｅｙｗｏｒｆｚｙｃｕｔｒｎｄｓ：ｕｚｌｓｅｇ；ｎｕａｅｗｏｋｉｅｒｌｎｔｒｓ；ｔａｆｒｒａｌｄａｎｓｓｒｎｓｏｍｅ；ｆｕｔｉｇｏｉ
在现有的变压器故障诊断方法中，中溶解油
作中得到了广泛的应用，但仍然存在许多不足，如故障编码种类有限不能诊断所有可能的故障，难
以同时诊断多种故障，断相近的故障时误诊率诊
高等．
为解决传统比值法的不足，在变压器的故障
法；是Ｒｇｒ三ｏｅｓ比值法．管这些方法在实际工尽
气体分析法（Ｇ）ＤＡ是最为有效的方法之一．ＧＤＡ诊断法通过分析变压器发生故障时所产生各种气体的含量和产气的速率，就能够诊断出变压器的
大部分故障．ＩＥ在ＥＥ标准 … 中，出了３种ＤＡ提Ｇ诊断方法：是主气体法；一二是Ｄｅｎｎｕｇ比值ｏｒｅｂｒ
ｍｅｈｄｉｆｅｔｅｉｏｖｎｈｅｐｏｌｍｓａｄｅｈｎｉｇｔｅｐｅｆｒａｃｆｆｕｔｄａｎｓｓｓｓｅ．ｔｏｓｅｆｃｉｎｓｌｉｇｔｒｂｅｎｎａｃｎｈｒｏｖｍｎｅｏａｌｉｇｏｉｙｔｍ

基于EMD与模糊聚类的发动机故障诊断方法

且满足以下２个条件：
（）整个信号中零点数与极点数相等或者至１
多相差１；
（）信号上任意一点，由局部极大值确定的２包络线和局部极小值确定的包络线的均值均为０，即信号关于时间轴局部对称。
出了原始数据的局部特征，而且表现信号内含有的真实物理信息。因此，ＥＭＤ方法迅速在水波研究、
地震学及机械设备故障诊断中得到应用，并且
已经成功应用于机械故障诊断的特征提取中。笔者分别采用小波包和ＥＭＤ方法提取发动机正常、
出来的第１本征模态函数，它代表信号的最高频个
率成分。
｛基金项目：中国石油天然气集团公司创新基金项目 “ 往复压缩机剩余寿命的混沌关联预测方法研究” （７１０）０Ｅ０５。
一
５Ｏ一
石油
机
械
２１００年
第３卷８
第３期
（）计算原数据序列与第１个本征模态函数３Ｃ的差值ｒ，对新数据序列ｒ重复上述筛分步骤，
（ｎｒｓｄｕｃｏ，Ｉ）之和，每个ＩＩｔｎｉＭｏｅＦｎｔｎＭＦｉｃｉＭＦ突
对任一实信号（）ｔ，其ＥＭＤ分解过程为：（）确定数据序列（）所有的极大值点和１ｔ
极小值点，通常采用三次样条插值函数分别对其进
０引言

故障诊断中的模糊聚类算法使用技巧分享

故障诊断中的模糊聚类算法使用技巧分享近年来，随着科技的发展，机械设备和电子产品在我们的日常生活中越来越普遍。

然而，这些设备在使用过程中难免会出现一些故障问题。

为了解决这些故障问题，人们提出了各种各样的算法和方法。

其中，模糊聚类算法在故障诊断中的应用越来越受到关注。

模糊聚类算法是一种基于模糊集理论的聚类算法，它考虑到了数据的不确定性和复杂性。

在故障诊断中，模糊聚类算法通过将故障数据划分为不同的类别，并对每个类别进行进一步分析，可以有效地识别和解决故障问题。

在使用模糊聚类算法进行故障诊断时，以下几点是需要特别注意的技巧：1. 数据预处理：在应用模糊聚类算法之前，需要对故障数据进行预处理。

这包括数据清洗、数据归一化和特征选择等步骤。

数据清洗可以去除噪声和异常值，提高数据质量；数据归一化可以将不同范围和单位的数据统一到相同的尺度上，方便后续的计算和比较；特征选择可以选择最具有代表性和区分性的特征，减少计算复杂度并提高聚类性能。

2. 选择合适的模糊聚类算法：模糊聚类算法有许多不同的变种，如FCM、PCM、PCMCI等。

在选择算法时，需要根据具体的应用场景和数据特点选择合适的算法。

不同的算法在聚类结果和计算效率上可能存在差异，需要综合考虑。

3. 参数设置：模糊聚类算法中通常存在一些参数，如聚类中心个数、模糊因子等。

这些参数的设置对聚类结果影响较大。

在实际应用中，需要通过试验和验证来确定最合适的参数值。

同时，在进行参数设置时还需要注意过拟合和欠拟合问题，以避免聚类结果过于复杂或不准确。

4. 结果解释与评估：模糊聚类算法得到的聚类结果需要进行解释和评估。

解释聚类结果可以通过分析每个类别的特征和规律，推断出不同类别对应的故障模式和原因。

评估聚类结果可以使用一些性能指标，如聚类准确度、紧密性和分离性等。

通过合理的解释和评估，可以对故障诊断结果的可靠性和准确性进行评判。

总体而言，模糊聚类算法在故障诊断中的应用具有一定的优势和挑战。

基于RLMD和Kmeans++的轴承故障诊断方法

基于RLMD和Kmeans++的轴承故障诊断方法颜少廷1周玉国1任艳波1刘师良1颜世铛2（1青岛理工大学信息与控制工程学院，山东青岛266500）（2郑州机械研究所有限公司，河南郑州450001）摘要为了提升轴承故障诊断性能，提出了一种基于鲁棒局部均值分解（RLMD）和Kmeans++的轴承故障诊断方法。

利用RLMD方法对轴承振动信号进行分解，得到乘积函数（PF），根据PF分量与原始振动信号的相关程度选择敏感PF分量，叠加敏感PF分量构成重构信号；通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集；利用线性判别分析（LDA）提取轴承故障的Fisher特征；通过Kmeans++聚类的方法对故障特征进行聚类，得到各工况轴承的聚类中心；通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断。

利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性。

结果表明，该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障。

关键词轴承故障诊断鲁棒局部均值分解线性判别分析Kmeans++汉明贴近度Bearing Fault Diagnosis Method based on RLMD and Kmeans++Yan Shaoting1Zhou Yuguo1Ren Yanbo1Liu Shiliang1Yan Shidang2（1School of Information and Control Engineering，Qingdao University of Technology，Qingdao266500，China）（2Zhengzhou Research Institute of Mechanical Engineering Co.，Ltd.，Zhengzhou450001，China）Abstract To improve the performance of bearing fault diagnosis，a bearing fault diagnosis method based on Robust Local Mean Decomposition（RLMD）and Kmeans++is proposed.The product functions（PF）are ob‐tained by decomposing the bearing vibration signal using the RLMD technique.The sensitive PF components are sifted by calculating the correlation coefficients between the PF components and the original vibration signal，and the sensitive PF components are superimposed to form the reconstructed signal.The bearing fault feature set is formed by calculating the time and frequency domain statistical features of the original vibration signal and the reconstructed signal.The Fisher features of bearing failure feature are extracted by linear discriminant analy‐sis（LDA）.The fault feature is clustered by the Kmeans++clustering method and the cluster center of each bearing working condition is got.The bearing fault identification is realized by calculating the Hamming ap‐proach degree between the test sample and the cluster center.The simulated bearing data with different signal-to-noise ratios and bearing data from the Paderborn university test bench are used to evaluate the effectiveness of the proposed method.Results show that the proposed method can accurately identify bearing faults with differ‐ent categories and levels even though the number of training sample is small.Key words Bearing Fault diagnosis Robust local mean decomposition（RLMD）Linear discriminant analysis（LDA）Kmeans++Hamming approach degree0引言滚动轴承是大型旋转机械传动系统重要的组成部分之一[1]，由于机械传动系统工作环境复杂且长期高负荷运行，难免会对轴承造成损伤。

改进PSO与模糊聚类相结合的变压器故障诊断

ｈｒｄｇｅｔｃｔ —ｅｒｏｏｉｉｅｔｅｃｉｅｉｎｆｎｃｉｆｆｚｙｓｔｉｈｉａｌｇｔｔｅｏｔｍｉｙｂｉｎｅｉｈｏｙｔｐｔｍｚｈｒｔｒｏｕｔｏｎｏｕｚｅ，ｔｓｗｙｗｅｗｉｌｅｈｐｉ．ｎｚｄｃｕｓｅｉｇｃｎｅｓｏｖｒａｔｔｐｓｂｈｃ，ｈｏｒｓｏｄｉｕｚｅｂｒｈｉｕｎｔｏｓａｅｅｌｔｒｎｅｔｒｆｅｅｙｆｕｌｙｅｙｗｉｈｔｅｃｒｅｐｎｎｇｆｚｙｍｍｅｓｐｆｃｉｎｒ
摘要
针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点，出了一种改进ＰＯ提Ｓ
算法与模糊聚类相结合的变压器故障诊断方法。该方法根据变压器油中主要特征气体含量，利用杂交遗传改进粒子群通过优化模糊聚类准则函数，得出故障类型的最优聚类中心，由聚类中再心得出相应模糊隶属函数，最后由隶属函数判断所属故障类型。实例分析结果表明，该算法在
有限样本情况下具有较高的故障诊断正确率，可以满足电力变压器的故障诊断要求。关键词：电力变压器；故障诊断；改进ＰＯＳ；模糊聚类
ＴｒｎｓｏｍｅｕｌａｎｏｉａｆｒｒＦａｔＤｉｇｓｓＡｐｐｒａｈｏｏｆｅｒｉｌｏｃｆＭｄｉｄＰａｔｃｅＳｗａｔｉｒｈＯｐｔｍｉａｉｎＡｌｏｉｈｍｍｂｎｔｚｙＳｔＡｎａｙｓｓｉｚｔｏｇｒｔＣｏｉｇｗｉｈＦｕｚｅｌｉ

基于聚类的模糊柴油机故障诊断

ＨＥＹｕｅ—ｈａ，ＷＡＮＧｉ—ｂｕＨａｏ，ＺＥＮＧｉ—ｐｎＬｉｇ
（ｃｏｌｆｎｏｔｎＳｉｎｅａｄＥｇｅｒｇｅｔｌｏｔＵｉｒｔ，ｈｎｓａＨｎｎ４０７，ＣｉａＳｈｏｏＩｆｒｉｃｃｎｎｉｅｎ，ＣｎｒｕｈｎｖｓｙＣａｇｈｕａ１０５ｈｎ）ｍａｏｅｎｉａＳｅｉＡＢＴＡＣＴｅｐｐｒｎｒｕｅｅａｋｒｕｄｏｕｉｎｓｆｉｅｅ￣ｅｎｒｓｎｅｅｐｒａｈＳＲＴ：ｈａｅｔｄｃｄｔｃｇｎｆａｌｄｇｏｉｏｅｌｎｎｓｄｐｅｅｔｄａｎｗａｐｏｃｉｏｈｂｏｆｔａｓｄｓａ
综合再应用于柴油机故障诊断。通过仿真表明，与现有的常规方法相比，在柴油机故障诊断上有较好的效果，故障诊断精度也大大提高。
关键词：柴油机；故障诊断；模糊故障分类器；糊规则；模聚类
中图分类号：Ｐ８Ｔ１３文献标识码：Ａ
ＦａｌａｎｓｓｏｅｅｕｔＤｉｇｏｉｆＤｉｓｌＥｎｇｎｅＢａｅｎｉｓｄｏＣｌｓｅｉｎｄＦｕｚｅｈｄｕｔｒｎｇａｚｙＭｔｏ
ｆｒｘａｔｇｆｚｕｓｒｍｔｅｈｓｒａｄｔｓｍｌｆｈｎｉｓｉｔｔｘｅｎｗｅｇｓｈｄｎｉｔｅｏｔｃｎｚｒｌｏｉｏｃｌａａａｐｅｏｔｅｅｔｒ．Ｆｒ，ｈｅｐｆｋｏｌｄｅｉｅｅｒｉｕｙｅｆｈｔｉｓｅｓｅｌｄｎｈ
第８第１２卷０期

基于在线模糊聚类的故障检测和容错控制

Ａｂｓｒｃ：Ａｏｅａｔｄｔｃｉｎａａｔｔｌｒｔｃｔｏｃｅａｅｎｏｌｎｄｎｉｃｔｏｆｔａｔｎｖｌｆｕｌｅｅｔｏｎｄｆｕｌ．ｏｅａｏｎｒｌｓｈｍｅｂｓｄｏｎｉｅｉｅｔｆａｉｎｏｎｉＴ— ｕｚｄｌｉｒｐｏｅＳｆｚｙｍｏｅｓｐｏｓｄ．Ｉｌｓｄ—ｏｐｃｎｒ１ｈＳｆｚｙｍｏｄｌｉｄｎｉｅｈｏｇｅｎｃｏｅｌｏｏｔｏ．ｔｅＴ— ｕｚｅｓｉｅｔｆｄｔｒｕｈｔｉｈｏｆｎｅｅａｅｔｆａｎｎｉｅｒｐａｔｎｅｇｎｒｔｄｄａａｏｏｌｎａｌｎ．Ｗｈｎａｆｕｔｏｃｒ．ｔｅｏｌｎｕｚｙｃｕｓｅｉｇｆｇｒｔｍｉｅａｌｃｕｓｈｎｉｅｆｚｌｔｒｎｏｈｌｉ
心的潜力值需要更新，推公式如下：递
Ｐ（ｆ）＝Ｚ
ｋ２Ｐｚ）Ｐｚ）（。一＋（＋Ｈ（ ∑ ），ｆ）
Ｊ＝１
（）６
（）２
ＴＥ＝０】ｉｌ＋ … ＋ＯｘＨＮｆ＋Ｏｌ【ｉｎ
式中，，示第条模糊规则， ∈ ［，；尺表ｉ１Ｎ］ Ⅳ是模糊规则总数；＝［，Ｘ］是输入向量；表Ｘ， …，Ｍ示前件模糊集，［，］表示第ｆ ∈ １ｎ；个线性子系统的输出；是系统的后件参数．取高斯函数作为０选输入变量的隶属度函数，即

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断魏文军;张轩铭;杨立本【期刊名称】《哈尔滨工业大学学报》【年(卷),期】2024(56)3【摘要】针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。

首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。

实验结果表明:该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。

【总页数】10页(P154-163)【作者】魏文军;张轩铭;杨立本【作者单位】兰州交通大学自动化与电气工程学院;兰州交通大学光电技术与智能控制教育部重点实验室【正文语种】中文【中图分类】TP391;U298【相关文献】1.基于小波结合模糊聚类和神经网络的机械故障诊断法2.基于 DLMD 样本熵和模糊聚类的滚动轴承故障诊断3.基于改进DenseNet模型的滚动轴承变工况故障诊断4.基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断5.基于改进的K-means聚类和深度神经网络的轴承故障诊断算法研究因版权原因，仅展示原文概要，查看原文内容请购买。