基于聚類的故障診斷技術研究.pdf

1、20世紀80年代以后，以微電子和計算機為代表的自動化大型設備得到了廣泛的應用，同時這些設備的故障診斷變得越來越困難，因此各國都很重視故障診斷技術的研究。本文針對故障診斷技術的特點，采用聚類和神經網絡相結合的方法，在一定程度上提高了故障診斷系統(tǒng)的智能化程度。 通過對K-均值，DBSCAN、CURE、STING、ART(自適應諧振理論)等聚類算法的研究，并對各種算法的性能進行了分析，得出神經網絡中的ART算法更適用于故障診斷。因為A

2、RT不但繼承了神經網絡快速的處理速度、學習能力、聯(lián)想能力，還兼顧了聚類算法的無監(jiān)督性能，這就一定程度上提高了故障診斷系統(tǒng)的智能化程度。本文針對ART算法中的ARTl和ART2做了重點研究。 由于ARTl只能處理二值數(shù)據，因此本文首先采用基于閾值的數(shù)據轉化方法將數(shù)據轉化成ART1可以處理的數(shù)據形式，然后用基于廣義矩陣的0.1特征選擇方法，縮減輸入ARTl網絡的數(shù)據的維數(shù)。針對ART2可以處理模擬數(shù)據的特點，本文首先采用基于最大．最

3、小規(guī)范化的數(shù)據轉化方法對數(shù)據進行歸一化處理，然后使用基于一致性的特征選擇方法降低輸入ART2網絡的數(shù)據維數(shù)。 針對ART2在處理低維數(shù)據時出現(xiàn)的聚類不準確現(xiàn)象，提出了用改變初始權值大小的方法提高聚類的準確性。另外，由于ART2算法出現(xiàn)的聚類中心隨著輸入模式偏移的現(xiàn)象，嚴重影響診斷結果正確性，本文采用ART2算法與K-均值算法相結合的方法，有效的抑制聚類中心漂移。由于基于一致性的特征選擇方法存在數(shù)值特征取值范圍難以確定的缺點，本文