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

دانلود ترجمه مقاله عیب یابی خطای ماشینهای دوار براساس ترکیبات جدید الگوریتم خوشه بندی ترجمه در قالب فایل Word و قابل ویرایش میباشد سال انتشار:2006 تعداد صفحه ترجمه:15 تعداد صفحه فایل انگلیسی:6 موضوع انگلیسی :Fault diagnosis of rotating machinery baseدانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی|32055440|sarzamindoost|روانشناسی و علوم تربیتی,مقاله
با ما همراه باشید با موضوع دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی

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

ترجمه در قالب فایل Word و قابل ویرایش میباشد

سال انتشار:2006

تعداد صفحه ترجمه:15

تعداد صفحه فایل انگلیسی:6



موضوع انگلیسی :Fault diagnosis of rotating machinery based on a new hybrid

clustering algorithm

موضوع فارسی:دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی

چکیده انگلیسی:Abstract 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

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.