以高精度、高效率监测医疗器械质量安全为目的,设计了基于模糊C均值聚类的医疗器械质量安全监测系统。由ZigBee无线传感器组采集医疗器械的运行数据,封装打包后发送到云平台服务器,通过模糊C均值聚类算法设计样本识别目标函数,计算聚类中心隶属度,实现对医疗器械的质量安全监测。实验结果显示系统对4种医疗器械的电压监测值与实际值之间的误差仅为±0.001 pu,监测信息端到端的传输时延低于50 ms,说明系统对医疗器械质量安全监测的效果较好。

为了优化某款混合动力汽车在实际道路工况下的燃油经济性,采用模糊C均值聚类算法构建了其在目标城市下的典型运行工况。与运行工况实测数据相比,其特征参数平均误差为4.22%;速度-加速度联合概率分布吻合较好;试验车型的Cruise仿真模型在典型运行工况下的百公里油耗相对误差为1.89%。此外,将典型运行工况与NEDC、WLTC进行对比。可知,典型运行工况具有平均车速低的特点,体现了目标城市道路工况与现行法规工况之间的差异。

为了有效提高基于非线性时间序列的热误差预测模型精度,利用F统计检验确定模糊C均值聚类的聚类数目,结合不同量纲一化处理的灰色关联分析排序筛选出关键温度测点,建立基于NARX神经网络的热误差预测模型,通过设置输入延时阶数、输出延时阶数和隐含层神经元个数的范围,利用思维进化算法对输入、输出延时阶数和隐含层神经元个数进行寻优,与随机选取参数的NARX神经网络预测模型相比,模型预测精度提高了36.98%。

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类

为了解决单一BP神经网络模型预测性能不稳定的问题,提出一种集成BP神经网络的数控机床主轴热误差建模方法。采用模糊c均值聚类法筛选温度敏感点,消除了冗余温度变量间的多重共线性。从机器学习的角度出发,分别采用平均法、中位数法和普通最小二乘法将几种具有弱预测性能的典型BP神经网络模型进行集成。以THM6380卧式加工中心为研究对象进行了主轴热误差实验,热误差预测性能分析结果表明,集成模型的预测精度和泛化能力优于单一BP神经网络模型,为机床主轴热误差建模及后续热误差补偿提供了新的思路。

提出了一种基于Hilbert-Huang变换（HHT）和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解（EMD）和集总经验模态分解（EEMD）,结合短时最大熵谱分析选取对故障最为敏感的固有模态函数（IMF）分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明：EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。