基于模糊聚类算法的船舶故障诊断技术
基于模糊C-均值聚类技术的轴承状态检测
在数学层面上 ， 模糊 Ｃ一均值 聚类 就是求 使聚类 目标
函数 ‘最 小 的模 糊 划分 矩 阵 Ｕ＝［ ］ ， 及类 别 中 ， ｕ … 以
心 Ｐ。
均值聚类方法对轴承的故障状 态进行检测与诊断 。
目标 函数 ．的 计算 公 式 为 ，
１ 模糊 Ｃ一均值聚类状态检测原理
采用模糊 Ｃ一均值聚类方法进 行状态检测 的基本原理 是： 分别采集几组 砦与故 障设备 的信 号数据作 为训 练数 据， 对数据进 行分析 处理并 提取 有效 特征值 ， 后对特 征 而 值进行模糊 Ｃ 一均值聚类训 练 ， 得到样 本聚类模式 。在 测
在现今工业 使用 的机械设备 中， ０％ 以上属 于回转 ９ 机械 ， 滚动轴 承又 是 回转机 械 中应 用 最广 泛 的重要 部 而 件 。据统计 ， 回转机械的故障有 ３ ％ 是由滚动轴承故 障引 ０
起 的 ， 轴 承 的好 坏 对 机 械 设 备 的 工 作 状 况 影 响 极 大 ， 故 它 的运 行 状 态是 否 正 常 ， 往 直 接 影 响 到 整 台 设 备 的 性 能 。 往
量特征值作 为网络的训练输入 ， 就需 要采集 大量 样本数 这
据 ， 重 影 响 了工 业 生 产 的 正 常 运 行 ， 碍 了 神 经 网 络 在 严 阻
代方法不断修正 聚类 中心 ， 迭代 过程 中以极小 化所有数据
点 到 各 个 聚 类 中 心 的 距 离 与 隶 属 度 值 的加 权 和 为 优 化 目
得 需 要 检 测 的 数据 后 ， 数 据 提 取 与 训 练 数 据 相 同 的特 征 对
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 ＭＡＴＬ ＡＢ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 ：２ ０ １ ２ —１ １ —２ ８
基 金 项 目 ：国 家 科 技 支撑 计 划项 目（ ２ ０ １ １ Ｂ ＡＧ０ １ Ｂ ０ ５ ） ； 轨 道 交 通 控 制 与 安 全 国 家 重 点 实 验 室课 题 （ Ｒ ＣＳ ２ ０ １ １ Ｋ０ ０ ５ ， Ｒ Ｃ Ｓ ２ ０ １ ２ Ｋ ０ ０ ６ ） ； 山东 省 基 金课 题 （ Ｂ Ｓ ２ ０ １ １ Ｄ Ｘ ０ ０ ８ ， Ｚ Ｒ ２ ０ ０ ９ Ｆ Ｑ０ １ ２ ， Ｚ Ｒ ２ ０ １ １ Ｆ Ｍ０ ０ ８ ） ； 国家 ８ ６ ３计划 项 目（ ２ ０ １ １ ＡＡ１ １ ０ ５ ０ １ ） 作者简介 ： 马增涛（ １ ９ ８ ９ 一 ） ， 男， 山东 潍 坊 人 ， 硕士研究生， 主要 从 事 智 能 控 制 系 统 研 究 。
【制造业自动化】_模糊算法_期刊发文热词逐年推荐_20140726
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
基于pso的pid 图像放大 变论域模糊控制 变结构模糊神经网络 发酵罐 双线性内插值算法 参数自整定 单片机控制 分层模糊控制 充电 优化 仿真 人工神经网络 产品优化配置 交流解耦变结构 交换器 二自由度机器人 二型模糊系统 q学习 pso算法 pid控制器 pid narx mpso matlab建模 labview gpc eps试验台 dsp co2激光器 b样条模糊神经网络 at91rm9200
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
2011年 科研热词 模糊控制 温度控制 遗传算法 模糊pid 隶属度函数 阈值 钎焊炉 遗传模糊pid控制 逆模型 软件 轮式移动机器人 谐波检测 计算机控制系统 自适应离散粒子群 自主机器人 统一电能质量调节器 纸浆浓度 系统辨识 粒子群优化 神经网络 硬件 电阻炉 热电制冷器 炉温 灰色预测 温度控制系统 汽包液位 气流雾化染色机 模糊调度 模糊神经网络 模糊控制算法 模糊作业车间调度 模糊pid控制器 模糊pid控制 构架 机器人导航 机器人串口通信 最邻近点插值算法 最大功率点跟踪 智能控制 智能 无刷直流电机 控制任务 抖振 恒温控制 微控制器 强化学习 差异演化算法 工序块变异 工业锅炉 学习算法 多目标优化 推荐指数 4 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
故障诊断技术发展趋势
故障诊断技术发展趋势故障诊断（FD）始于（机械）设备故障诊断，其全名是状态监测与故障诊断（CMFD）。
它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。
设备故障诊断是随设备管理和设备维修发展起来的。
欧洲各国在欧洲维修团体联盟（FENMS）推动下，主要以英国倡导的设备综合工程学为指导；美国以后勤学（Logistics）为指导；日本吸收二者特点，提出了全员生产维修（TPM）的观点。
美国自1961年开始执行阿波罗计划后，出现一系列因设备故障造成的事故，导致1967年在美国宇航局（NASA）倡导下，由美国海军研究室（ONR）主持成立了美国机械故障预防小组（MFPG），并积极从事技术诊断的开发。
现代故障诊断是由于实施主动（视情）维修策略和建立监控系统的需要而发展起来的。
由于现代机电自动化及控制系统的规模不断扩大、复杂性日益提高，以及系统投资的巨大，人们迫切需要提高机电自动化及控制系统的可信性。
因而有必要建立一个监控系统来监督整个自动化系统的运行状态，不断检测系统的变化和故障信息，进而采取必要的措施（如隔离和修复或改变控制率等）来防止故障的传播和灾难性事故的发生。
而其前提条件是具有在线实时可靠检测和诊断故障的能力。
因此故障诊断是实现可靠性系统设计的关键环节。
可信性系统指集可靠性、有效性、可维修性和安全性为一体的系统。
提高系统可信性的方法，即设计可信性系统的方法：①提高元部件本身的可靠性；②采用余度系统（部件），如硬件、软件和复合冗余结构；③采用基于FDIA的容错和监控等控制系统。
现代余度管理从硬件余度向综合余度和解析余度管理发展。
过去，动态系统的容错设计是基于硬件余度（余度部件、余度系统）而实现的，如三余度和四余度系统，通过简单的表决逻辑来判断故障。
硬件余度遇到的主要问题是重量大、体积大、费用高、飞行器承载能力小。
同时“同类”余度系统具有相同的寿命周期，假如一个有故障可能其它也发生故障。
基于自适应近邻信息的模糊C_均值聚类算法
第 32 卷第 7 期2024 年 4 月Vol.32 No.7Apr. 2024光学精密工程Optics and Precision Engineering基于自适应近邻信息的模糊C均值聚类算法高云龙1，李建鹏2，郑兴莘1，邵桂芳1，祝青园1，曹超3*（1.厦门大学萨本栋微米纳米科学技术研究院，福建厦门 361102；2.厦门大学自动化系，福建厦门 361102；3.自然资源部第三海洋研究所，福建厦门 361005）摘要：传统的模糊C均值算法直接基于原始数据进行聚类，数据的内在结构可能会被噪声、异常值或其他因素破坏，因此聚类性能会受到影响。
为提升FCM算法的鲁棒性，提出了一种基于自适应近邻信息的模糊C均值聚类算法。
近邻信息指的是一种基于数据点之间相似度的度量，每个数据点都可以看作其他数据点的近邻，但是不同数据点之间的相似度是不同的。
将样本点的近邻信息G X和类中心点的近邻信息G V融入基础FCM模型中，为聚类过程提供更多的数据结构信息，用于指导聚类算法中的簇划分过程，以提升算法的稳定性，并提出了3个迭代算法求解本文提出的聚类模型。
与其他先进聚类算法对比，在部分基准数据集上聚类性能有10%以上的提升，同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。
实验结果可以充分显示本文提出的聚类算法的可行性与有效性。
关键词：模糊C均值聚类；自适应近邻；算法鲁棒性；迭代算法中图分类号：TP394.1；TH691.9 文献标识码：A doi：10.37188/OPE.20243207.1045Fuzzy C-means clustering algorithm based onadaptive neighbors informationGAO Yunlong1，LI Jianpeng2，ZHENG Xingshen1，SHAO Guifang1，ZHU Qingyuan1，CAO Chao3*（1.Pen-Tung Sah Institute of Micro-Nano Science and Technology， Xiamen University，Xiamen 361102， China；2.Department of Automation， Xiamen University， Xiamen 361102， China；3.Third Institute of Oceanography， Ministry of Natural Resources， Xiamen 361005， China）* Corresponding author， E-mail： caochao@Abstract： Traditional FCM algorithms cluster based on raw data, risking distortion from noise, outliers, or other disruptions, which can degrade clustering outcomes. To bolster FCM's resilience, this study intro⁃duces a fuzzy C-means clustering algorithm that leverages adaptive neighbor information. This concept hinges on the similarity between data points, treating each point as a potential neighbor to others, albeit with varying degrees of similarity. By integrating the neighbor information of sample points, labeled G X, and that of cluster centers, labeled G V, into the standard FCM framework, the algorithm gains additional insights into data structure. This aids in steering the clustering process and enhances the algorithm's robust⁃文章编号1004-924X（2024）07-1045-14收稿日期：2023-08-28；修订日期：2023-10-11.基金项目：国家自然科学基金资助项目（No.42076058，No.52075461）；福建省自然科学基金资助项目（No.2020J01713，第 32 卷光学精密工程ness. Three iterative methods are presented to implement this enhanced clustering model. When com⁃pared to leading clustering techniques, our approach demonstrates over a 10% improvement in cluster⁃ing efficacy on select benchmark datasets. It undergoes thorough evaluation across different dimen⁃sions, including parameter sensitivity, convergence rate, and through ablation studies, confirming its practicality and efficiency.Key words： fuzzy C-means clustering； adaptive neighbors； algorithm robustness； iterative algorithm1 引言作为一种无监督方法，聚类的基本任务是将数据点划分为不相交的簇，使得同一簇内数据点之间的相似度最大化，而不同簇之间数据点的相似度最小化。
基于IMS聚类算法的柴油发动机故障诊断方法研究
基于IMS聚类算法的柴油发动机故障诊断方法研究李晓博;江志农;张沛;钱迪;薛继旭;郑会;张进杰【摘要】Here,the IMS clustering algorithm was used to study fault diagnosis of diesel engines.Firstly,vibration signal features of a diesel engine were extracted,these features were selected.Finally,an IMS clustering algorithm model was established,the features extracted from fault data were taken as the model's input parameters to realize diesel engine faults' intelligent diagnosis.Test study was performed on a V6 turbocharged diesel engine to get data for both training purposes and verifying the IMS clustering algorithm model.Through verification of data,it was shown that judgements of the model for faults are correct.The study provided a new detecting way for fault diagnosis of diesel engines.%将IMS 聚类算法引入柴油发动机故障诊断中,首先对柴油机各工况振动信号进行特征提取,之后对提取的信号特征进行选择;最后建立IMS聚类算法模型,将提取到的特征量作为该模型的输入参数,实现发动机故障的智能诊断.试验研究在一台V6涡轮增压柴油发动机上进行,以获取训练和验证IMS聚类算法模型的数据.经过数据验证,该模型对于故障的判断全部正确.当前的研究为柴油发动机故障的诊断提出了一个新的检测途径.【期刊名称】《振动与冲击》【年(卷),期】2018(037)007【总页数】7页(P193-198,246)【关键词】归纳监视系统;聚类算法;柴油发动机;故障诊断;特征提取【作者】李晓博;江志农;张沛;钱迪;薛继旭;郑会;张进杰【作者单位】北京化工大学诊断与自愈研究中心,北京100029;北京化工大学诊断与自愈研究中心,北京100029;中石油北京天然气管道有限公司,北京100101;中石油北京天然气管道有限公司,北京100101;中石油北京天然气管道有限公司,北京100101;中石油北京天然气管道有限公司,北京100101;北京化工大学诊断与自愈研究中心,北京100029【正文语种】中文【中图分类】TK428;TP277柴油发动机是石油矿场、固定发电和船舶等领域广泛应用的动力机械，一旦发生故障，会造成巨大的经济损失，因此对柴油机进行故障诊断和状态监测具有重要意义。
基于LMD和FCM的滚动轴承故障诊断方法
用广泛 ， 因此 ， 采用 Ｌ Ｍ Ｄ和 Ｆ Ｃ Ｍ相结合的方法对轴
承 进行故 障诊 断 。
始信号 中分析 出时域信 息或者频 域信息来提取特
征 向量 ， 进 而 识 别 轴 承 的状 态 。但 是 ， 传 统 方 法 不 适于处 理 非 平 稳 信 号 Ｉ ４ Ｊ ， 鉴 于此 ， １ ９ ９ ８年 由黄 博 士 提 出 的 经 验模 态 分 解 （ Ｅ ｍ ｐ ｉ ｒ ｉ ｃ ａ ｌ Ｍ ｏ ｄ ｅ Ｄ ｅ ｃ ｏ ｍ —
Ｌ ＭＤ方 法可 个 Ｐ Ｆ分 量和 一个单 调 函数 。Ｌ ＭＤ基 本算 法流 程
如下 ：
２ ０ ０ ５年由Ｊ ｏ ｎ ａ ｔ ｈ ａ ｎ ｓ ． Ｓ ｍ ｉ ｔ ｈ 提出的一种 自适应的信
号时频 分析方 法 ， 可 以将 一 个 复 杂 的非 平 稳 信号 分 解 成若 干 个 Ｐ Ｆ（ Ｐ ｒ ｏ ｄ ｕ ｃ ｔ Ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ） 分 量之和 ， 每 一 个Ｐ Ｆ分量 由其对 应 层 的包 络 函数 和 纯调 频 函数 相 乘得 到 。所 有 Ｐ Ｆ分 量 的瞬 时频 率 和 瞬 时 幅值 叠加
ｍａ ｉ ｌ ： ｃ ｕ ｉ ｃ ｈ ｕ ｎ ｙ ｉ ｎ ｇ １ ９ ８ ７＠ １ ６ ３ ． （ ３ ｏ ｎ。
对 上 述 的 局部 均值 函数 和包 络 函数 进 行 滑 动
平均 ， 滑动平均的终止条件为任意两个相邻极值
７期
崔春英 ， 等： 基于 Ｌ Ｍ Ｄ和 Ｆ Ｃ Ｍ 的滚动轴承故障诊断方法
轴承进行故障诊断可以有效地降低事故 的发生率 ， 提高经济效益 Ｊ 。轴承振 动信号是非平稳 、 非线性 信号 Ｊ ， 如何从这些非平稳信号中提取到有效 的特
征 向量是 轴 承 故 障 诊 断 的关 键 。传 统 的 分 析 方 法 （ 傅 里 叶变换 、 小 波 变换 、 魏格 纳 变 换 等 ） 通 过 从 原
基于小波与聚类分析相结合的旋转机械故障诊断
ＦＡＮ Ｚｈｉｐｅ ，ＺＨＡＮＧ Ｃｏｎ － ｎｇ ｇ－ｂ ｎ Ｗ Ｄ ｕ ｉ ｇ． ｎ－ｓ ｎ ｈｅ ｇ
（ｏｌ ｅｏ ｃ ａｉ ｌａｄ Ｅｅｔｃ ｎｉｅｒ ｇＪ ｇｉＵ ｉ ｒｉ ｅ ｈｏｏｙ ａｚｏ ，ａｇｉ３ １ ０，ｈｎ） Ｃ ｌ ｇ ｆＭｅｈｎｃ ｎ ｌ ｒ ａ Ｅ ｇｎｅｉ ， ａ ｘ ｎ ｅｓｙ ｏ Ｔｃ ｎｌ ，Ｇ ｎｈ ｕ ｎ ｘ ４ ０ ０Ｃ ｉａ ｅ ａ ｃ ｉｌ ｎ ｉ ｎ ｖ ｔｆ ｇ ￣
０ ０．２ ８ ０
２ ８ ４． ９ Ｘ ３． ５— ４ ８２ ４． ７８ ６— ５． ２
８ ０１
取待诊断的转子运行状态信 号 ，将其特征 向量作 为待诊 断样
本 ｘ 加 入 到 初 始 样 本 集 中组 成 待 诊 断样 本 集 ： ， ｘ
…
， ， Ｘ（ ｑ
Ｘ ’ ３． ８２５ — ４． ４７８ ０— １ ０ ０ ０
ｎ
进行故 障模式识别 ， 因此采用聚集 法 ， 就是从个 只含单 一样本 的聚类 开始 ， 然后逐步将 这些类合并 。 直到满足给定的分类条
件 。具 体 步 骤 如 下 ：
初始化 ： ｎ 令 个模式样本 自成一类 ， 即建立 ６个子集 Ｘ Ｘ …， 。计算 各类之 间的距 离 ， 得到一个 ｎＸｎ维 ， ， ｘ 可
Ｘ （ａ ＝Ｅ） （） ２ 为：
由上式可以看出 ，用信号 连续小 波变换 的系数的模表征信号
与尺度 的关系和用信 号经连续 小波变换 的能量来表示信号与 尺度的关系是等价的。
（） ３
步骤一 ： 求距离矩 阵 Ｄ 中的最小元素 ， 果该最小元 素 如 为 Ｘｂ ｘ 两类之间 的距离 ， ｈ和 则将 ｘ ｂ ｘ ｈ和 ； 合并 为一类 ｘｉ”并由此建立新 的分类 ： ， ” …； ｈ＋， ６ ｘ㈣ Ｘ ， 步骤二 ： 计算合 并后 的新类别之 间的距离 ， 得距离矩阵
故障诊断技术的国内外发展现状
故障诊断技术的国内外发展现状国际上，故障检测与诊断技术（，）的发展直接促成了技术过程的故障诊断与安全性技术委员会的成立（1993）。
从1991年起，每三年定期召开方面的国际专题学术会议。
在我国，自动化学会也于1997年批准成立中国自动化学会技术过程的故障诊断与安全性专业委员会，并于1999年5月在清华大学召开了首届全国技术过程的故障诊断与安全性学术会议[4]。
故障诊断是一门涉及信号处理、模式识别、人工智能、统计学、计算机科学等多个学科的综合性技术[5]。
20世纪60年代初期，美国、日本和欧洲的一些发达国家相继开展了设备诊断技术的研究，主要应用于航天、核电、电力系统等尖端工业部门，自20世纪80年代以后逐渐扩展到冶金、化工、船舶、铁路等许多领域。
近年来故障诊断技术得到了迅速发展，概括地讲可以分为3类：基于信号处理的方法、基于解析模型的方法和基于知识的智能故障诊断方法。
（1）基于信号处理的方法基于信号处理的方法，通常是利用信号模型（如相关函数、频谱、小波变换等）直接分析可测信号，提取诸如方差、幅值、频率等特征值，以此为依据进行故障诊断。
基于信号处理的方法主要有傅立叶变换[6, 7]、小波变换[8, 9]、主元分析[10]、变换[11]等。
文献[12]提出利用谐波小波对长输管的小泄漏诊断问题，取得了较好的应用效果；文献[13]提出了一种针对机车故障振动信号的局域均值分解（）解调诊断方法；文献[14]提出了一种基于时频指标的自适应移频变尺度随机共振算法用于轴承的故障诊断；文献[15]利用形态学的消噪特性对信号进行消噪，之后利用小波对故障进行定位，在传感器故障诊断方面取得了较好的应用效果。
（2）基于解析模型的方法基于解析模型的方法是以诊断对象的数学模型为基础，按照一定的数学方法对被测信息进行诊断处理，其优点是能深入系统本质的动态性质和实现实时诊断。
主要有状态估计法[16, 17]和参数估计法[18]等等。
故障诊断与状态监测
声发射监测技术具有非接触 性、实时性等优点。
详细描述
声发射监测技术可以通过传 感器非接触地采集声音信号， 实时监测结构的声发射事件， 并通过数据采集和分析系统 进行远程监测和诊断。
红外监测技术
总结词
红外监测技术通过测量物体或结构的红外辐射来评估其运行状态。
详细描述
红外监测技术广泛应用于电力设备、化工设备、航空航天等领域，可以检测出设备的过 热、泄漏等情况，通过分析红外辐射的特征，可以判断设备的故障类型和严重程度。
故障诊断与状态监测
目录
• 故障诊断与状态监测概述 • 故障诊断技术与方法 • 状态监测技术与应用 • 故障诊断与状态监测的挑战与未来发展 • 案例分析与实践
01
故障诊断与状态监测概 述
定义与目的
定义
故障诊断与状态监测是针对设备或系统的运行状态进行检测、评估和预测的技 术，旨在及时发现潜在故障、分析故障原因，并采取相应的措施进行维修和预 防。
详细描述
油液监测技术可以直接检测润滑 油或液压油的性能和状态，通过 定期取样和分析，可以实时了解 机械设备的润滑和液压系统的工 作状态，及时发现潜在的故障和 问题。
声发射监测技术
总结词
声发射监测技术通过采集和 分析物体或结构在受力时发 出的声音信号来评估其运行 状态。
详细描述
总结词
声发射监测技术广泛应用于 压力容器、管道、桥梁等结 构的监测，可以检测出结构 的裂纹、腐蚀、疲劳等情况， 通过分析声发射信号的特征， 可以判断结构的损伤程度和 故障类型。
故障诊断的准确性与实时性要点一 Nhomakorabea总结词
要点二
详细描述
故障诊断的准确性和实时性是关键，需要不断提高诊断算 法的精度和响应速度，以满足工业应用的需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊 Ｃ 均值聚类算法中， 一 所谓 Ｃ 是指将有限
样本集 Ｘ＝ Ｘ， ， ）） （ｌ ２…，ｎ划分成 Ｃ类 ， ｘ ｃ 各样本 以一
定的程度隶属 于 Ｃ个不 同的域 。用 表示第 个 样本隶属于第 个类 的隶属度 ， 足如下条件 ： ｆ ① ∈［ ，］ ０１； ②每个样本对全部聚类中心隶属度之和为 １ ；
孟宪 尧
（ 连海事大学 大
韩新洁
大连 １６２ ） １ ６ ０
摘
要 由于大型设备故障症状 与故 障原 因之 间关系十 分复杂 ， 使得传统 诊断 方法在 实际应用 中效果不理想 。研究
采用模糊 ｃ 均值聚类算法 ， 一 将被诊 断对 象间故障和症状 的特征通过建立模糊 关系矩 阵进 行 了故 障分 类 ， 当前所 得的故 用 障征兆群与过 去该设备故障征兆结果相对照 ， 出最相似 的结 果 ， 而确定其 故障 。通过 船舶主机 轴系诊 断的实例 ， 找 从 充分
Ｃ ａ ｓｉ ｌ ｌ Ｔ ４ ６ ｌｓ ｆ ￣ｒ ｇｎ ＇Ｉ ｌ Ｎ ０
用到船舶各种复杂设备的故障诊断 。
１ 引言
２ 模糊 Ｃ一均值聚类算法的原理
随着世界经济和贸易的需求的扩大 ， 船舶交通 运输事业得到快速发展 ， 在船舶运输快速发展的同 时， 不断出现的船舶事故已成为制约发展 的关键 问 题。由于船舶的特殊性 ， 其故障原 因十分 复杂 ， 因
船舶设备故障具有复杂性和不确定性 ， 因此 ， 这种
方法可 以被应用到船舶故障的智能诊 断中。本文 提出模糊 Ｃ 均值聚类算法 ， 一 并以船舶主机轴系的
模糊 Ｃ一均值聚类算法的出发点是基于对 目 标
证 明了该方法 的有效性 。
关键词 模糊聚类 ； 船舶； 故障诊断； 一均值算法； Ｃ 主机轴系
中图分类号 Ｔ ４６ Ｎ ０
Ｄｉｇ ｏ ｉ ｅ ｈ ｉｓ ｏ ｈ ｐ ＳＦ ｕ ｔＢ ｓｅ Ｈ ｔ ｅ Ｆ ｚ ｙ Ｃｌ ｓｅ ｉ ｇ Ａｌ ｏ ｉ ｍ ａ ｎ ｓ Ｔ ｃ ｎ ｃ ｆ ｉ ａ ｌ ａ ｓｄ Ｏ ｕ ｚ ｕ ｔｒｎ ｇ ｒ ｔ ｓ Ｓ ｈ ｈ
ｔ ｓ ｆｈ ｅ ｃ ｄｏｊｃ ａ ａｓ ｅ ａｅ ｅ ｓ ｂｓｅ ｏ ｔ ｄｔ ｔ ｂ ｔ ｒ ｃ ｓｆｄｂｓ ｏ ｔ ｔ ｌｈｄ缸 ｃｎｅｔｎ ａ ｉ．Ｉｅ ｏ ｐｒｏ ｅ ｅｎ ｈ ｕ ｍ ｔ ｕ— ｍ ｏ ｅ ｅｅ ｅ ｅ ｌ ｉ ｉ ｄ ｎｈ ｅａ ｉ ｏｎｃｏ ｔｘ ｒｌｃｍ ａ ｓ ｂｔ ｅ ｅｆ ｌｓ ｐ ｍｃ ｓ ｉ ｍ ｒ １ ｉ ｎ ｗ ｔ ａ ｔｙ ｏ ｌ
维普资讯
总第 １５期 ５ ２Ｏ 年第 ５ ０６ 期
舰 船 电 子 工 程
Ｓ ｉ ｌｃｒｎｃ Ｅｎ ｉ ｅ ｆ ｇ ｈ ｐ Ｅ ｅ ｔ ｉ ｇｎ ｅ ｎ ｏ ｉ
Ｖ０ ．６ Ｎ ． １２ ｏ ５ ｌ８ ｌ
基 于模糊 聚 类算 法 的船 舶 故 障诊 断技 术
ＭｅｇＸａｙ ｏ ａ ｉ ｉ ｎ ｉｎ ａ Ｈ ｌＸｎ ｅ ｌ ｊ （ ￡ａ ｒ ｍ ｎ ｅ ｉ ， ｌｌ １０ ６ ＩＩ ｌＭａｔ ｅＵ ｉ ｒｔ ｉｌ ６２ ） ）ｌ ｌ ｉ ｉ ｉ ｖ ｓｙ ａ １
Ａｂ ｔａ ｔ ｒ ｌ ａ ｉ ｏ ａ ｕｔｄ ｔｃｉｎ ｍｅｈ ｄ ｆｒｔｅ ｌｒ ｅ ｕｐ ｎ ａ ｏ ｈ ｌｆｌｂ ｃ ｕ ｅ ｏ ｅ ｃ ｍｐ ｉ ｔｄ ｒ ｌｔ ｎ ｈｐ ｂ － ｓｒ ｃ Ｉ ｅ ｔ ｄｔ ｎ ｌｆ ｌ ｅｅ ｔ ｔｏ ｑ ｉｍｅ ｔｗ ｓ ｎ ｔ ｅｐｕ ｅ ａ ｓ ｆｔ ｏ ｌ ａｅ ｅａ ｏ ｓ ｉ ｅ １ ｒ ｉ ａ ｏ ｏ ｈ ａ ｈ ｃ ｉ
ቤተ መጻሕፍቲ ባይዱ
ｔｅ ｎｔｅｆｕｔ ｙ ｔｍｓａｄ ｃｕｅ ｆｔｅｅ ｕｐ ｎ ．Ａ ｚｙＣ— ｎｅｒ ｌｓ ｒ ｇ ｗ ｅ ｌｓｍｐｏ ｎ ａ ｓ８ｏ ｈ ｑ ｉｍｅｔ ｚ ｈ ａ ｌａＩｃｕｔ ｉ ｓ ｅｎ
ｔｍ ｓｄａｄ ｔｅｆ ｔｒｓｏ ａ ｌ ｎ ｙ — Ｉ ｉ ｕｅ ｎ ａｕｅ ｆｆｕｔ ａｄ ｓｍｐ ｌ ｓ ｈ ｅ ｓ
③每个聚类 中心包含的样本个数介 于 ０和 ｎ
之间。
此， 采用智能的方法对船舶故障进行早期诊断 ， 已 成为当前的研究热点之一。模糊聚类故障诊断方 法， 是依据被诊断对象间故障和征兆 的特征 、 亲疏
程度和相似性 ， 通过建立模糊相似关系对被诊断对 象进行故障分类 和诊断 的一种数学方法… 。由于 １
ｔｔ ｏｈｃｅ ｏ ａ ｑ ｉｍｅ ｔｅ ｅｔ ｎ ｅｐｅ ｉｕ ｕｃｍｅ ｆｈ ｕｔ ｙ ｔｍｓｏ ｈｔ ｑ ｉｍｅｔａｅｍａ ｅ ｈ ｌｓｓ ｏｔｏ ８ ｅｓｃｌ ｔ ｆ ｍ ｌｅ ｕｐ ｎ ｃｎ ｙａ ｄｔ ｒｖｏ ｓｏ ｔ ｄｒ ｌ ｒ ｌ ｈ ｏ ｓｏ ｔｅｆ ｌｓｍｐｏ ｆｔａ ｕｐ ｎ ｒ ｄ ，ｔｅｃｏｅｔ ｕｃｍｅ ａ ｅ ａｅｉｅ ｔ ｅ ｎ ｈ ａ ｌｉ ｓｏｔｄ ａｅｏ ｔｅｒｃｎ ｆｕｔｄｔｃ ｏ ｏ ｔｅｓ 幽 ｎ ｆ ｉ ｎｉｅｆｌ ｒｖｓｔｅｅ ｅｔ ｅ ｅｓｏ ｔｅ ｒ ｎ ｆ ｄａ ｄｔｅｆｕｔｓ ｐ ｔ ．Ａ ｃｓ ｆｈ ｅｔａ ｌ ｅ ｔ ｎｆｒｈ ｌ ｄ ｉ ｉ ｅ ｅ ｅｉ １ ｇｏ ｍａｎｅ ｇｎ ｕｌ ｐｏ ｅ ｈ ｆ ｃｉ ｎｓ ｆｈ ｙ ｖ