FFDEZOA 优化的 SCARA 机器人故障数据聚类分析

来源：机械与电子杂志2024年第10期北京时间：

作者：苑浩德;付庄;金惠良

单位：上海交通大学机械系统与振动国家重点实验室,上海 200240

摘要：针对现有聚类方法对机器人故障数据聚类时对初始点选取依赖性大、收敛速度慢且精度低等问题,提出了一种 FFDEZOA 算法来对 KMC 聚类算法进行优化。 ZOA 算法具有寻优能力较强,收敛速度快,且在聚类时对初始点选取依赖性小,但其有几率会陷入到局部最优解。首先针对 ZOA 算法的缺点,提出了自由觅食策略、非线性收敛因子及斑马进化策略等来对其进行改进,能够有效提高算法搜索范围,从而避免局部最优;进而结合 FFDEZOA 和 KMC 算法的互补迭代,既加快了算法的搜索速度,也提升了精度。在多个公开数据集上的实验表明, FFDEZOA-KMC 在精确度和归一化互信息的指标上均优于 ZOA-KMC 、 AO-KMC 、 KMC 和 MFO-KMC ,具有更好的收敛性能和聚类效果。最后依据各故障特征的主成分不同,利用 FFDEZOA-KMC 对故障数据进行了聚类,可在多种工况下对机器人进行针对性的保养和维护。

关键词：k-means 聚类算法' target="_blank" rel="external">k-means 聚类算法;斑马算法; SCARA 机器人;差分进化

基金资助：深圳市科创委技术攻关重点项目( JSGG20200701095003006 );基础加强计划项目( 2020 JCJQ );国家自然科学基金面上项目( 61973210 )