在工件装配过程中,针对基于SURF算法的工件匹配识别过程速度慢、实时性较差的问题,通过对K-Means聚类算法以及机器学习中文本检索方法进行研究,推导了基于聚类算法的特征点种类词袋模型,对特征点类别进行统计。提出反向标记法生成目标物体描述向量。在物体匹配识别阶段,对待检测物体的描述向量分段进行匹配并选取满足阈值条件的子向量作为最终匹配向量来实现目标物体的识别。实验结果表明改进算法在一定尺度、光照、旋转条件影响下实现了工件的准确识别,并且提高了识别速度。

构建了基于机器学习算法的人机交互辅助值班系统。通过布设于不同电网机房区域的数据采集器采集数据,经NB-IoT模块和数据服务器处理后传输至用户端,采用组合机器学习算法实现系统信息检测。设计了人机交互界面,为系统管理人员提供直观的信息。系统性能验证结果表明,该系统具有较高的电力调度报警信息检测准确率,误报率低,系统管理人员可利用系统人机交互界面有效地实现监控区域电力调度信息的管理。

针对机床热误差补偿技术中温度测点的优化选择,提出一种基于K-means算法和Pearson相关系数相结合的方法。通过K-means算法将不同位置测点的温度进行聚类,用Pearson相关系数计算温度与主轴热误差之间的相关性,从每一类别中选出一个最优测点组成最优测点组合,并对最优测点处的结果进行热误差建模。在立式加工中心VMC850E上对该方法进行了试验验证,将温度测点的数量由8个减少至2个。经方差分析和F检验,验证了最优测点处的温度与热变形之间显著线性,模型可靠。

针对工程机械作业载荷分布估计的问题,基于AIC准则及K-means算法,提出了一种载荷分段混合分布估计方法。根据Luise分组方法,得到正态分布、对数正态分布及威布尔分布的卡方检验值。选取最小卡方检验值对应的分布函数作为分段混合分布各段的拟合函数,通过极大似然估计算法获得分段混合分布的表达式。结合挖掘机土石挖掘工况,将本文方法应用到主泵出口压力载荷数据中,并与现有方法进行对比分析,本文方法得到的结果通过了卡方检验。同时,用1000组仿真数据来验证方法的可行性,得到了参数估计的误差仅为0-18%。