在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。

为了实现对数控机床绿色度的智能评价,提高数控机床绿色度预测精度,提出了一种基于聚类和自适应神经模糊推理系统(ANFIS)的评价方法.采用改进的粒子群优化模糊C均值聚类算法实现样本的自适应分类,生成辅助ANFIS学习的训练样本集;建立基于ANFIS的评价模型,通过对训练样本集的学习自动生成模糊规则,消除评价指标的模糊性和随机性对评价结果的影响;训练后的评价模型可用于评价样本的自适应推理.最后利用提出的评价方法对数控机床绿色度进行实例分析,验证了该评价方法的有效性.

为了对回转支承的寿命状态进行研究,以保障机械设备的高效正常运行,提出一种将点密度和模糊C均值结合的算法对回转支承的寿命状态进行识别,解决了传统模糊C均值算法识别速度慢、临界点分类不准确的问题。利用自主研发的回转支承综合性能实验台对某型号回转支承进行全寿命疲劳实验,验证了所提算法的可行性。通过对比所提改进算法与传统模糊C均值算法的识别结果,表明改进算法能够更准确地识别出回转支承的不同运行状态,从而为实时维修奠定了基础。

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析（MF-DFA）和半监督马氏距离模糊C均值（SSM-FCM）的液压泵退化状态识别方法。该方法首先引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高MF-DFA方法的计算精度;然后利用改进MF-DFA方法计算液压泵多重分形谱参数,并分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α_0和广义Hurst指数波动均值Δh（q）作为退化特征量;最后利用半监督马氏距离模糊C均值方法实现了液压泵退化状态识别,并以液压泵实测数据为例验证本文所提方法的有效性。