改进模糊C均值聚类算法在装备故障诊断中的应用研究

作     者：吕晓雯 

作者单位：北方工业大学 

学位级别：硕士

导师姓名：王月海;冯建呈

授予年度：2020年

学科分类：11[军事学] 0809[工学-电子科学与技术（可授工学、理学学位）] 080902[工学-电路与系统] 08[工学] 

主      题：模拟电路故障诊断 小波分析 数据降维 局部线性嵌入 模糊C均值聚类 

摘      要：随着信息时代的飞速发展,装备系统趋向集成化和复杂化。从大量的数据状态中发现故障并及时处理,保证装备在工作期间可以高效可靠的运行具有重要的研究意义。在面临大规模装备时,可以高效的诊断出故障尤为重要。然而由于实际装备故障的多样性和复杂性,导致故障识别和诊断难度很大。同时不同故障类响应数据存在一定程度的重叠,导致这类故障很难精确划分判断。故障诊断在装备中的进行研究时是在高度集成的电路板上进行故障定位,由于元器件数量多且存在容差,以及故障的不确定性可以利用模糊理论和聚类分析来解决这个问题。模糊C均值聚类(Fuzzy C-means,FCM)正是利用隶属度来进行聚类,避免了非此即彼的判别方法。FCM可以看作是模糊理论和聚类分析共同产物。由于装备系统多数是由模拟信号构成,在模拟信号中应用最多的便是模拟电路,而且取得一定的研究成果。本文将利用模拟电路作为研究对象,进行故障诊断在装备中的研究,在高度集成的电路板上进行故障定位,分别用模拟电路中的二级四运放高通滤波和Sallen-key低通滤波电路进行验证和诊断。首先提出以小波理论为讨论基础,利用小波包分解进行特征提取,然后结合基于流形学习中的局部线性嵌入法(Local Linear Embedding,LLE)进行维数约简处理,最后将降维后的特征数据作为模糊C均值聚类(FCM)的输入进行故障的诊断。对于模糊C均值聚类的诊断局部最优情况,提出改进模糊C均值聚类的故障诊断,此算法针对诊断率尤为低的情况进行二次FCM诊断,对故障再次进行聚类诊断,以诊断的正确率为评价标准,对所提出的诊断方案进行验证与评价。诊断效果有明显的提高,不同电路的实验结果都验证了本文所提出的故障诊断框架在模拟电路诊断中具有一定的适应性,诊断结果表明改进模糊C均值聚类算法在装备故障诊断中有良好的诊断效果。