进化软子空间聚类算法提升高维故障诊断准确性

本文主要探讨了在复杂机械设备故障诊断领域中的一个重要问题，即如何处理高维特征数据以实现有效的故障识别。传统的软子空间聚类算法在面对众多特征和不同故障敏感度时可能存在局限性，容易陷入局部最优解，且目标函数设计可能受到限制。针对这些问题，研究者提出了一种结合进化计算的改进软子空间聚类算法。 该算法的核心思想是利用进化计算技术优化聚类过程，通过混合编码策略将类中心和权重值进行编码，这样能够更好地适应聚类问题的优化需求。新设计的目标函数基于同类样本在相关特征维度上的方差小的假设，以此来评价聚类结果的质量，从而提高聚类的准确性。此外，文中还引入了修复算子，用于剔除不合理或错误的聚类结果，增强了算法的鲁棒性。 在实验验证阶段，研究者选择了五组UCI数据集、两组轴承滚珠故障数据集以及三组往复式压缩机气阀故障数据集，对提出的算法进行了全面测试。结果显示，与传统的软子空间聚类算法相比，该进化软子空间聚类算法在Ran-d指标上有显著优势，最大可提升0.2266，显示出在处理高维故障数据时的优越性能。尤其在处理一级缸气阀故障的不同工况下，算法表现出更高的故障识别准确性和稳定性。 这项研究为复杂机械设备故障诊断中的高维特征数据分析提供了一个有效且优化的解决方案，不仅提高了故障识别的精度，也为其他领域的高维数据聚类提供了新的思路和技术支持。