针对大型设备旋转部件故障模式复杂难以识别的特点，给出一种基于混沌与模糊最大似然估计(Fuzzy maximumlikelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感，而对噪声和高频信号具有强免疫力的特点，可检测出微弱的周期故障特征信号的频率信息，并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。
　　同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷，将基于最大似然估计的距离测度引入故障特征聚类中，实现对不同形状、大小和密度的故障数据集模糊聚类，达到对机械故障自动识别的效果。试验及工程实例结果证明了方法的有效性，同时证明FMLE聚类具有更好的聚类效果。
　　机械故障识别是对测取的含故障信息的信号进行分析，找出与故障有关的特征参数并利用这些特征参数对设备的实时状态进行识别。
　　这里涉及到两个问题：一是利用信号处理技术进行特征提取；二是利用模式识别技术进行故障识别。在故障早期，较弱的故障特征信号常被背景噪声淹没，且故障信号与噪声信号在频带上互相混叠,混沌振子检测方法，对微弱的故障特征信号敏感，对噪声有很强的免疫力，可以检测出信噪比很低的故障特征信号。模糊聚类是模式识别技术中的重要内容，在故障诊断中得到很好的应用。
　　不同聚类算法可以得到不同的聚类形状，传统的模糊C均值(Fuzzy centermeans,FCM)聚类算法以欧氏距离作为距离测度，只能识别具有球形或近似相等容量的数族，而且得到的聚类通常不与轴向平行，当投影到输入变量时会产生投影误差。
　　文中引入了基于模糊最大似然估计的距离测度，使聚类形状不受体积的限制，以适应非规则分布数据的模糊聚类。
　　针对大型设备旋转部件故障模式复杂难以识别的特点，给出一种基于混沌与模糊最大似然估计(Fuzzy maximumlikelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感，而对噪声和高频信号具有强免疫力的特点，可检测出微弱的周期故障特征信号的频率信息，并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。
　　同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷，将基于最大似然估计的距离测度引入故障特征聚类中，实现对不同形状、大小和密度的故障数据集模糊聚类，达到对机械故障自动识别的效果。
　　试验及工程实例结果证明了方法的有效性，同时证明FMLE聚类具有更好的聚类效果。机械故障识别是对测取的含故障信息的信号进行分析，找出与故障有关的特征参数并利用这些特征参数对设备的实时状态进行识别。这里涉及到两个问题：一是利用信号处理技术进行特征提取；二是利用模式识别技术进行故障识别。
　　不同聚类算法可以得到不同的聚类形状，传统的模糊C均值(Fuzzy centermeans,FCM)聚类算法以欧氏距离作为距离测度，只能识别具有球形或近似相等容量的数族，而且得到的聚类通常不与轴向平行，当投影到输入变量时会产生投影误差。
　　文中引入了基于模糊最大似然估计的距离测度，使聚类形状不受体积的限制，以适应非规则分布数据的模糊聚类。

本站的提供的论文数量巨大，所以希望大家多参考研究了解，以便写出更好的论文！