مقاله ترجمه شده :عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی

چکیده فارسی :

ترکیبات جدید الگوریتم خوشه‌بندی براساس سه لایه شبکه عصبی پیشخور (FFNN) ، تابع تراکم توزیع شده، و شاخص اعتبارسنجی خوشه‌بندی،در این مقاله نشان داده‌شده است. در این الگوریتم، هردو وزن‌دهی ویژگی و وزن‌دهی نمونه در نظر گرفته شده است، و تعداد خوشه‌بندی بهینه به صورت خودکار توسط شاخص ارزیابی خوشه‌بندی مشخص می‌شود. ویژگی وزن توسط FFNN براساس روش گرادیان نزولی آموزش داده شده است، و وزن‌دهی نمونه بااستفاده از تابع تراکم توزیع شده محاسبه شده است. ویژگی وزن‌دهی ویژگی و وزن‌دهی نمونه اهمیت ویژگی‌های حساس  و نمونه‌های نمایش‌داده‌شده، وهمزمانی ضعیف  واسط ویژگی‌های غیرحساس و نمونه‌های مبهم را برجسته می‌کند. الگوریتم نمایش داده شده تشریح شده و برای تشخیص اولیه یاطاقان‌های غلتکی لوکوموتیو بکار رفته‌است. در نتیجه تشخیص اثربخشی و عملی بودن الگوریتم را نشان می‌دهد، و رویکرد امیدبخشی برای تشخیص عیب ماشین‌ آلات دوار ارائه می‌دهد.

کلمات کلیدی :  وزن‌دهی ویژگی ، وزن‌دهی نمونه ، شاخص ارزیابی خوشه‌بندی ، خوشه‌بندی ترکیبی  ، تشخیص عیب

چکیده انگلیسی:

A new hybrid clustering algorithm based on a three-layer feed forward neural network (FFNN), a distribution density function, and a cluster validity index, is presented in this paper. In this algorithm, both feature weighting and sample weighting are considered, and an optimal cluster number is automatically determined by the cluster validity index. Feature weights are learnt via FFNN based on the gradient descent technique, and sample weights are computed by using the distribution density function of a sample. Feature weighting and sample weighting highlight the importance of sensitive features and representative samples, and simultaneously weaken the interference of insensitive features and vague samples. The presented algorithm is described and applied to the incipient fault diagnosis of locomotive roller bearings. The diagnosis result demonstrates the superior effectiveness and practicability of the algorithm, and shows that it is a promising approach to the fault diagnosis of rotating machinery.
Keywords  : Feature weighting .  Sample weighting . Cluster validity index . Hybrid clustering . Fault diagnosis