CN109446028B - 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 - Google Patents

一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 Download PDF

Info

Publication number
CN109446028B
CN109446028B CN201811261024.7A CN201811261024A CN109446028B CN 109446028 B CN109446028 B CN 109446028B CN 201811261024 A CN201811261024 A CN 201811261024A CN 109446028 B CN109446028 B CN 109446028B
Authority
CN
China
Prior art keywords
fuzzy
clustering
genetic
dehumidifier
follows
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811261024.7A
Other languages
English (en)
Other versions
CN109446028A (zh
Inventor
高运广
马长林
李锋
李辉
杜文正
郝琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN201811261024.7A priority Critical patent/CN109446028B/zh
Publication of CN109446028A publication Critical patent/CN109446028A/zh
Application granted granted Critical
Publication of CN109446028B publication Critical patent/CN109446028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/3055Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6218Clustering techniques
    • G06K9/622Non-hierarchical partitioning techniques
    • G06K9/6221Non-hierarchical partitioning techniques based on statistics
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Genetic algorithms, i.e. information processing using digital simulations of the genetic system

Abstract

本发明公开了一种基于遗传模糊C‑均值聚类的冷冻除湿机状态监测方法,该方法包括设备测量参数的选取、工况模拟、数据样本的采集、标准类中心的计算以及状态的判断,由此实现除湿机的状态监测。在标准类中心的计算过程中用到了基于遗传算法改进的模糊C‑均值聚类方法,改进主要体现在两个方面:一方面利用遗传算法自动计算模糊C‑均值聚类的初始聚类数,由此代替了传统人工选择方法,减少了人为主观因素的影响,提高了聚类数选取的准确性和科学性;另一方面在得到聚类数的情况下利用遗传算法对聚类中心进行计算,得到全局最优解,由此克服了传统模糊C‑均值聚类求解中存在的对初始化值敏感,容易陷入局部极小值的问题。

Description

一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法
技术领域
本发明属于暖通空调与制冷状态监测与故障诊断领域,具体涉及一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法。
背景技术
随着社会发展和生产的需要,冷冻除湿机广泛应用于对环境温湿度有要求的各种场合,如大型仓库、地下工程、商业建筑、电子与精密仪器、纺织等领域,其主要作用是降低空气湿度并对温度进行一定程度的调节。中大型的冷冻除湿机通常是机电一体化设备,主要由制冷、通风、调温和电控等部分组成,其工作特性具有大惯性、强耦合、非线性和多干扰等特点。对除湿机展开状态监测不仅能够帮助我们了解设备性能退化程度,及时发现设备故障隐患,保障设备安全可靠运行,而且还有助于设备的优化运行、对之实施节能控制以及自动化管理。从设备的可靠运行与节能角度来说,对冷冻除湿机进行状态监测及其故障诊断有着重要的意义,但是到目前为止有关除湿机状态监测及其故障诊断的研究应用并不多见。
随着生产技术和制造业的进步,电子元器件的制造成本不断降低,其工作的可靠性也在稳步提高。大量廉价可靠的传感器和数据采集装置在暖通空调与制冷系统中得到了应用,一是为了实现自身更好的控制,二是用于自身状态的监测。当前暖通空调与制冷领域的故障监测与诊断方法主要分为两种:一种为基于模型的方法,另一种为基于过程历史数据的方法,前者的应用需要依赖先验知识建立精确的数学或物理模型,后者则主要依赖过程历史数据进行建模,因此从工程实用的角度来说后者更容易实现。但基于过程历史数据的方法又有多类,比如ARX黑箱模型方法、BP或RBF人工神经网络方法、聚类方法等。虽然这些方法在一定程度上取得了较为成功的应用,但在某些方面也存在着一些不足,比如ARX模型辨识依赖于经验知识,辨识精度有时不够高;BP神经网络存在局部极小值问题,算法有时并不一定收敛;RBF神经网络在训练时其网络结构和精度需要进行折衷。模糊C-均值聚类方法是聚类方法中的一种,由于融合了模糊逻辑,因此更适合应用于设备故障监测与诊断,更主要的是计算量小,应用方便。
传统的模糊C-均值聚类方法应用时存在两个缺陷:一是初始聚类数通过λ-截矩阵分类方法进行确定,λ值依靠经验人为选取,而不同的λ值又决定不同的聚类数,由此可能会导致分类出现偏差,进而影响其故障监测与诊断应用;二是方法通过迭代爬山算法来寻找所研究问题的最优解,是一种局部搜索算法,对初始化值比较敏感,容易陷入局部极小值。
发明内容
为解决上述技术问题,本发明提供了一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,该方法利用遗传算法自动寻优和全局搜索能力一方面可对模糊C-均值聚类方法中的聚类数进行自动选取,另一方面可对方法的解进行全局搜索,以此为基础实现除湿机的状态监测。
本发明采用如下技术方案来实现的:
一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,包括以下步骤:
1)选择与设备运行状态密切相关的测量参数;
2)通过实验与人工模拟设定除湿机不同的工作状态;
3)选取用于计算设备工作状态类中心的典型数据样本组;
4)利用遗传算法计算模糊C-均值聚类的初始聚类数,在得到初始聚类数的情况下,利用遗传算法计算模糊C-均值聚类的聚类中心,作为标准的聚类中心,并以该聚类中心作为除湿机标准工作状态类中心;
5)采集数据样本并计算与标准聚类中心的贴近度,数据样本由监测设备运行状态的传感器获得,样本维数等于传感器的个数;
6)根据贴近度值判断由数据样本代表的设备运行状态,由此实现设备状态监测。
本发明进一步的改进在于,步骤1)中,利用传感器采集与设备运行状态密切相关的参数作为一个数据样本,对于冷冻除湿机选择如下参数:除湿机进风温度、除湿机出风温度、制冷剂蒸发温度、制冷剂冷凝温度、压缩机吸气温度、压缩机排气温度、除湿机进风相对湿度、除湿机出风相对湿度、压缩机吸气压力、压缩机排气压力和压缩机功率。
本发明进一步的改进在于,步骤2)中,通过实验和人工模拟方法设定除湿机常见的10种工作状态,包括:正常状态、蒸发器性能下降、风冷冷凝器性能下降、风机风量减少、进风口滤网堵塞、进风温度偏低、冷却水进水量过大、蒸发器供液量过大、蒸发器供液量过小和制冷剂充注量不足。
本发明进一步的改进在于,步骤3)中,对应除湿机的每种工作状态,各取Q个数据样本,形成维数为Q×11的数据样本组,Q为样本个数,11为步骤1)中测量参数的个数。
本发明进一步的改进在于,步骤4)中,每个类中心对应除湿机的一种工作状态,遗传算法改进的模糊C-均值聚类方法计算过程分为如下两步:
步骤4.1:利用遗传算法代替λ-截矩阵法实现模糊C-均值聚类方法初始聚类数的自动优选,遗传解算过程如下:
步骤4.1.1:编码:对初始聚类数C进行整实数编码,取值范围为[2,N],其中N为样本总数;
步骤4.1.2:生成初始群体:初始群体采取随机方式生成,种群规模为80;
步骤4.1.3:遗传操作:遗传操作包括选择、交叉和变异及其概率选择:
步骤4.1.3.1:选择
选择算子采用联赛选择,规模为2,同时采用最佳个体保留策略;
步骤4.1.3.2:交叉
交叉算子采用算术交叉,其计算公式为:
其中,A1′、A2′和A1、A2分别对应交叉前后的个体,α为一随机数,取值范围0~1;
步骤4.1.3.3:变异
变异算子采用非均匀一致变异,其计算公式为:
其中,Bk为变异位值,Bk′为Bk变异后的值,Dk,max为个体位最大值,Dk,min为个体位最小值,rd(·)为取整函数,β为[0,1]上的随机数;将Dk,max-Bk和Bk-Dk,min用Y代替,则Δ(t,Y)表示在[0,Y]范围内符合非均匀分布的一个随机数,它随着进化代数t的增加而以接近于0的概率逐渐增加,其计算公式为:
其中,T最大代数,b为确定非均匀度的系统参数;
步骤4.1.3.4:交叉和变异概率选择
交叉和变异概率采用自适应方法确定,其计算公式如下:
其中,fm为群体中最大的适应度值;fa为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为变异个体的适应度值;Pc1取0.85,Pc2取0.55,Pm1取0.15,Pm2取0.05;
步骤4.1.4:适应度计算
适应度函数设计为:
其中,vi和vk分别表示第i和k个聚类中心,uij表示第j个样本xj隶属于第i个类的隶属度;
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
uij=[xij-min(xij)]/[max(xij)-min(xij)] (7)
其中,i=1,2,…C,j=1,2,…N;
(2)计算聚类中心
vi或vk的计算公式为:
其中,l为迭代次数,l=0,1,2,…;m为给定参数,取值为2;
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个非常小的正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代,最终得到分类矩阵U和聚类中心V,ε取值为10-7
步骤4.1.5:遗传算法终止
算法在遗传解算到300代时终止;
步骤4.2:根据已得到的初始聚类数C,利用遗传算法代替传统的迭代爬山法对模糊C-均值聚类的聚类中心V进行优化计算,遗传解算过程如下:
步骤4.2.1:编码
用实数方式对每个初始聚类中心vi进行编码,范围为[minxij,maxxij],其中xij为样本矩阵元素,如果聚类数为C,样本维数为P,则染色体编码长度为C×P;
步骤4.2.2:生成初始群体
初始群体采取随机方式生成,种群规模为80;
步骤4.2.3:遗传操作
选择算子采用联赛选择,规模为2,同时采用最佳保留策略;交叉算子采用算术交叉,变异算子采用非均匀一致变异,为能更好地得到全局最优解,交叉和变异概率同样采用前面的自适应方法确定;
步骤4.2.4:适应度计算
适应度函数设计为:
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
其中,i=1,2,…C,j=1,2,…N,o=1,2,…P;
(2)聚类中心更新
vi的初始值由遗传算法本身生成,迭代计算时的更新公式为:
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代;
步骤4.2.5:遗传算法终止
算法在遗传解算到300代时终止;至此,就得到一个优化的初始聚类中心V,并以此作为设备标准的工作状态类中心,根据该中心与实测样本的贴近度来实现设备工作状态的判别。
本发明进一步的改进在于,步骤5)的具体实现方法如下:
如有C个已知模式V1,V2,…VC和一个待检模式x,它们都是论域U上的模糊向量,若有i∈(1,2,…,C),使得
则称x与Vi最贴近,式中的σ称为两个模糊向量的贴近度,它是对两个向量或集合接近程度的一种度量,这里采用最小最大贴近度法,其计算公式为:
本发明进一步的改进在于,步骤6)的具体实现方法如下:
根据式(15)的计算结果,判断当前实测样本的故障状态,判断的依据为:
if si=max(σ(V,x)),then x∈i类 (16)
其中,si为贴近度矢量S的第i个元素,i=1,2,…C,也就是说如果样本x与聚类中心V贴近度S中的第i个值最大,则该样本属于第i类,由此完成对应于该样本的除湿机状态判断。
本发明具有如下有益的技术效果:
本发明首先选取与设备运行状态密切相关的测量参数和模拟设备不同工况下的工作状态,并利用传感器对这些参数进行采集,以形成不同状态下的典型数据样本组;其次利用遗传算法改进的模糊C-均值聚类方法计算得到数据样本组的聚类中心V;最后通过传感器在线实测设备运行数据与标准聚类中心贴近度的大小来监测和判断除湿机运行状态。遗传算法改进的模糊C-均值聚类方法分为两步:首先应用遗传算法对模糊C-均值聚类的初始聚类数C进行自动优选,以减少传统选取方法中对专家知识的依赖;其次利用遗传算法对数据样本组的聚类中心V进行优化计算,以减少传统求解方法中存在的局部极小值问题。
与现有技术相比,本发明可以自动实现设备状态监测;应用遗传算法对模糊C-均值聚类方法改进后,既可以自动优选初始聚类数,又可以优化标准聚类中心;通过实测设备运行样本与标准聚类中心贴近度来对设备运行状态进行判断,从而减少了人为主观因素,提高了判断设备运行状态的科学性。本发明从提高模糊C-均值聚类方法的可操作性、准确性、科学性和鲁棒性入手,来获取在除湿机状态监测中更好的应用效果,具有明显的推广和工程应用价值。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
如图1所示,本发明提供的一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,包括以下步骤:
步骤1:利用传感器采集与设备运行状态密切相关的参数作为一个数据样本,对于冷冻除湿机选择如下参数:除湿机进风温度、除湿机出风温度、制冷剂蒸发温度、制冷剂冷凝温度、压缩机吸气温度、压缩机排气温度、除湿机进风相对湿度(RH)、除湿机出风相对湿度(RH)、压缩机吸气压力、压缩机排气压力和压缩机功率,共11个参数;
步骤2:通过实验和人工模拟方法设定除湿机常见的10种工作状态,包括:正常状态、蒸发器性能下降、风冷冷凝器性能下降、风机风量减少、进风口滤网堵塞、进风温度偏低、冷却水进水量过大、蒸发器供液量过大、蒸发器供液量过小和制冷剂充注量不足;
步骤3:对应除湿机的每种工作状态,各取Q个数据样本,形成维数为Q×11的数据样本组,Q为样本个数(这里取值为20),11为步骤1中测量参数的个数;
步骤4:以选取的数据样本组为基础,应用基于遗传算法改进的模糊C-均值聚类方法计算数据样本组的聚类中心,并以该聚类中心作为除湿机标准工作状态类中心,每个类中心对应除湿机的一种工作状态;遗传算法改进的模糊C-均值聚类方法计算过程分为如下两步:
步骤4.1:利用遗传算法代替λ-截矩阵法实现模糊C-均值聚类方法初始聚类数的自动优选,以提高初始聚类数选择的科学性,减少对专家经验知识的依赖,遗传解算过程如下:
步骤4.1.1:编码:对初始聚类数C进行整实数编码,取值范围为[2,N],其中N为样本总数;
步骤4.1.2:生成初始群体:初始群体采取随机方式生成,种群规模为80;
步骤4.1.3:遗传操作:遗传操作包括选择、交叉和变异及其概率选择:
步骤4.1.3.1:选择
选择算子采用联赛选择,规模为2,同时采用最佳个体保留策略;联赛选择方法的基本思想是从群体中随机选择一定数目(联赛规模)的个体,其中适应度最高的个体保存到下一代,这一过程多次执行,直到保存到下一代的个体数目达到种群规模为止;最佳保留策略就是把群体中适应度最高的个体直接复制到下一代,不参加交叉和变异遗传操作,由此可延长部分染色体的生存寿命,避免最佳个体被遗传运算所破坏,既可保证方法的收敛性,又能使优良基因不至于过早丢失;
步骤4.1.3.2:交叉
交叉算子采用算术交叉,其计算公式为:
其中,A1′、A2′和A1、A2分别对应交叉前后的个体,α为一随机数,取值范围0~1;
步骤4.1.3.3:变异
变异算子采用非均匀一致变异,其计算公式为:
其中,Bk为变异位值,Bk′为Bk变异后的值,Dk,max为个体位最大值,Dk,min为个体位最小值,rd(·)为取整函数,β为[0,1]上的随机数;将Dk,max-Bk和Bk-Dk,min用Y代替,则Δ(t,Y)表示在[0,Y]范围内符合非均匀分布的一个随机数,它随着进化代数t的增加而以接近于0的概率逐渐增加,其计算公式为:
其中,T最大代数,b为确定非均匀度的系统参数;
步骤4.1.3.4:交叉和变异概率选择
为能更好地得到全局最优解,交叉和变异概率采用自适应方法确定,其计算公式如下:
其中,fm为群体中最大的适应度值;fa为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为变异个体的适应度值;Pc1取0.85,Pc2取0.55,Pm1取0.15,Pm2取0.05。
步骤4.1.4:适应度计算
适应度函数设计为:
其中,vi和vk分别表示第i和k个聚类中心,uij表示第j个样本xj隶属于第i个类的隶属度。
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
uij=[xij-min(xij)]/[max(xij)-min(xij)] (7)
其中,i=1,2,…C,j=1,2,…N。
(2)计算聚类中心
vi或vk的计算公式为:
其中,l为迭代次数,l=0,1,2,…;m为给定参数,这里取值为2。
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个非常小的正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代,最终得到分类矩阵U和聚类中心V,这里ε取值为10-7
步骤4.1.5:遗传算法终止
算法在遗传解算到300代时终止;
步骤4.2:根据已得到的初始聚类数C,利用遗传算法代替传统的迭代爬山法对模糊C-均值聚类的聚类中心V进行优化计算,以克服原求解方法容易出现的局部极小值问题,遗传解算过程如下:
步骤4.2.1:编码
用实数方式对每个初始聚类中心vi进行编码,范围为[minxij,maxxij],其中xij为样本矩阵元素。如果聚类数为C,样本维数为P,则染色体编码长度为C×P;
步骤4.2.2:生成初始群体
初始群体采取随机方式生成,种群规模为80;
步骤4.2.3:遗传操作
选择算子采用联赛选择,规模为2,同时采用最佳保留策略;交叉算子采用算术交叉,变异算子采用非均匀一致变异,为能更好地得到全局最优解,交叉和变异概率同样采用前面的自适应方法确定;
步骤4.2.4:适应度计算
适应度函数设计为:
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
其中,i=1,2,…C,j=1,2,…N,o=1,2,…P。
(2)聚类中心更新
vi的初始值由遗传算法本身生成,迭代计算时的更新公式为:
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个非常小的正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代。
步骤4.2.5:遗传算法终止
算法在遗传解算到300代时终止;至此,就可以得到一个优化的初始聚类中心V,并以此作为设备标准的工作状态类中心,根据该中心与实测样本的贴近度来实现设备工作状态的判别;
步骤5:计算贴近度
如有C个已知模式V1,V2,…VC和一个待检模式x,它们都是论域U上的模糊向量,若有i∈(1,2,…,C),使得
则称x与Vi最贴近,式中的σ称为两个模糊向量的贴近度,它是对两个向量或集合接近程度的一种度量,这里采用最小最大贴近度法,其计算公式为:
步骤6:判别设备运行状态
根据式(15)的计算结果,判断当前实测样本的故障状态。判断的依据为:
if si=max(σ(V,x)),then x∈i类 (16)
其中,si为贴近度矢量S的第i个元素,i=1,2,…C,也就是说如果样本x与聚类中心V贴近度S中的第i个值最大,则该样本属于第i类,由此完成对应于该样本的除湿机状态判断。
实施例:
现以CFTZ-21型冷冻式调温型除湿机为例进行说明,通过实验和数据采集装置可得到除湿机10种工作状态下的数据,其中1种为正常工作状态;其余9种为性能下降状态,分别对应蒸发器性能下降20%、风冷冷凝器性能下降20%、风机风量减少10%、进风口滤网堵塞30%、进风温度为16℃、进水量比正常值多30%、蒸发器供液量比正常值多10%、蒸发器供液量比正常值少10%和制冷剂充注量比正常值少20%。通过本发明的遗传模糊C-均值聚类方法步骤可先后得到初始聚类数和聚类中心,并将该聚类中心作为标准的聚类中心,如表1所示。
表1标准聚类中心
得到聚类中心后,任取两个除湿机当前运行状态下的样本:
x1=(19.34,24.00,5.43,22.33,11.18,59.95,49.71%,34.49%,10.24,5.71,5.61),
x2=(17.22,21.05,2.79,19.87,8.45,56.95,49.49%,36.58%,9.23,5.38,5.28)
与表1中的聚类中心进行最大最小进行贴近度计算,得:
σ(V,x1)=[0.9983,0.9043,0.9443,0.7728,0.9750,0.8942,0.9493,0.9586,0.6647,0.9254],
σ(V,x2)=[0.8936,0.8751,0.8543,0.7337,0.8947,0.9982,0.8886,0.8716,0.6035,0.9635].
根据式(16)的判断规则,可判定样本x1属于第1类,样本x2属于第6类,分别对应于除湿机的正常工作和进风温度过低状态,即完成了除湿机当前运行状态的判断。

Claims (3)

1.一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,其特征在于,包括以下步骤:
1)选择与设备运行状态密切相关的测量参数;利用传感器采集与设备运行状态密切相关的参数作为一个数据样本,对于冷冻除湿机选择如下参数:除湿机进风温度、除湿机出风温度、制冷剂蒸发温度、制冷剂冷凝温度、压缩机吸气温度、压缩机排气温度、除湿机进风相对湿度、除湿机出风相对湿度、压缩机吸气压力、压缩机排气压力和压缩机功率;
2)通过实验和人工模拟方法设定除湿机常见的10种工作状态,包括:正常状态、蒸发器性能下降、风冷冷凝器性能下降、风机风量减少、进风口滤网堵塞、进风温度偏低、冷却水进水量过大、蒸发器供液量过大、蒸发器供液量过小和制冷剂充注量不足;
3)选取用于计算设备工作状态类中心的典型数据样本组;对应除湿机的每种工作状态,各取Q个数据样本,形成维数为Q×11的数据样本组,Q为样本个数,11为步骤1)中测量参数的个数;
4)利用遗传算法计算模糊C-均值聚类的初始聚类数,在得到初始聚类数的情况下,利用遗传算法计算模糊C-均值聚类的聚类中心,作为标准的聚类中心,并以该聚类中心作为除湿机标准工作状态类中心;每个类中心对应除湿机的一种工作状态,遗传算法改进的模糊C-均值聚类方法计算过程分为如下两步:
步骤4.1:利用遗传算法代替λ-截矩阵法实现模糊C-均值聚类方法初始聚类数的自动优选,遗传解算过程如下:
步骤4.1.1:编码:对初始聚类数C进行整实数编码,取值范围为[2,N],其中N为样本总数;
步骤4.1.2:生成初始群体:初始群体采取随机方式生成,种群规模为80;
步骤4.1.3:遗传操作:遗传操作包括选择、交叉和变异及其概率选择:
步骤4.1.3.1:选择
选择算子采用联赛选择,规模为2,同时采用最佳个体保留策略;
步骤4.1.3.2:交叉
交叉算子采用算术交叉,其计算公式为:
其中,A′1、A′2和A1、A2分别对应交叉前后的个体,α为一随机数,取值范围0~1;
步骤4.1.3.3:变异
变异算子采用非均匀一致变异,其计算公式为:
其中,Bk为变异位值,B′k为Bk变异后的值,Dk,max为个体位最大值,Dk,min为个体位最小值,rd(·)为取整函数,β为[0,1]上的随机数;将Dk,max-Bk和Bk-Dk,min用Y代替,则Δ(t,Y)表示在[0,Y]范围内符合非均匀分布的一个随机数,它随着进化代数t的增加而以接近于0的概率逐渐增加,其计算公式为:
其中,T最大代数,b为确定非均匀度的系统参数;
步骤4.1.3.4:交叉和变异概率选择
交叉和变异概率采用自适应方法确定,其计算公式如下:
其中,fm为群体中最大的适应度值;fa为每代群体的平均适应度值;f′为要交叉的两个个体中较大的适应度值;f为变异个体的适应度值;Pc1取0.85,Pc2取0.55,Pm1取0.15,Pm2取0.05;
步骤4.1.4:适应度计算
适应度函数设计为:
其中,vi和vk分别表示第i和k个聚类中心,uij表示第j个样本xj隶属于第i个类的隶属度;
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
uij=[xij-min(xij)]/[max(xij)-min(xij)] (7)
其中,i=1,2,…C,j=1,2,…N;
(2)计算聚类中心
vi或vk的计算公式为:
其中,l为迭代次数,l=0,1,2,…;m为给定参数,取值为2;
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个非常小的正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代,最终得到分类矩阵U和聚类中心V,ε取值为10-7
步骤4.1.5:遗传算法终止
算法在遗传解算到300代时终止;
步骤4.2:根据已得到的初始聚类数C,利用遗传算法代替传统的迭代爬山法对模糊C-均值聚类的聚类中心V进行优化计算,遗传解算过程如下:
步骤4.2.1:编码
用实数方式对每个初始聚类中心vi进行编码,范围为[minxij,maxxij],其中xij为样本矩阵元素,如果聚类数为C,样本维数为P,则染色体编码长度为C×P;
步骤4.2.2:生成初始群体
初始群体采取随机方式生成,种群规模为80;
步骤4.2.3:遗传操作
选择算子采用联赛选择,规模为2,同时采用最佳保留策略;交叉算子采用算术交叉,变异算子采用非均匀一致变异,为能更好地得到全局最优解,交叉和变异概率同样采用前面的自适应方法确定;
步骤4.2.4:适应度计算
适应度函数设计为:
该式的计算过程如下:
(1)生成初始模糊隶属矩阵U
uij的计算公式为:
其中,i=1,2,…C,j=1,2,…N,o=1,2,…P;
(2)聚类中心更新
vi的初始值由遗传算法本身生成,迭代计算时的更新公式为:
(3)对模糊隶属度矩阵U进行迭代计算
将模糊隶属矩阵更新为计算公式为:
(4)迭代终止判定
给定一个正数ε=10-7,检验是否满足||U(l+1)-U(l)||<ε,若满足,迭代结束;否则,令l=l+1,回步骤(2)继续迭代;
步骤4.2.5:遗传算法终止
算法在遗传解算到300代时终止;至此,就得到一个优化的初始聚类中心V,并以此作为设备标准的工作状态类中心,根据该中心与实测样本的贴近度来实现设备工作状态的判别;
5)采集数据样本并计算与标准聚类中心的贴近度,数据样本由监测设备运行状态的传感器获得,样本维数等于传感器的个数;
6)根据贴近度值判断由数据样本代表的设备运行状态,由此实现设备状态监测。
2.根据权利要求1所述的一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,其特征在于,步骤5)的具体实现方法如下:
如有C个已知模式V1,V2,…VC和一个待检模式x,它们都是论域U上的模糊向量,若有i∈(1,2,…,C),使得
则称x与Vi最贴近,式中的σ称为两个模糊向量的贴近度,它是对两个向量或集合接近程度的一种度量,这里采用最小最大贴近度法,其计算公式为:
3.根据权利要求2所述的一种基于遗传模糊C-均值聚类的冷冻除湿机状态监测方法,其特征在于,步骤6)的具体实现方法如下:
根据式(15)的计算结果,判断当前实测样本的故障状态,判断的依据为:
if si=max(σ(V,x)),then x∈i类 (16)
其中,si为贴近度矢量S的第i个元素,i=1,2,…C,也就是说如果样本x与聚类中心V贴近度S中的第i个值最大,则该样本属于第i类,由此完成对应于该样本的除湿机状态判断。
CN201811261024.7A 2018-10-26 2018-10-26 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 Active CN109446028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811261024.7A CN109446028B (zh) 2018-10-26 2018-10-26 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811261024.7A CN109446028B (zh) 2018-10-26 2018-10-26 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法

Publications (2)

Publication Number Publication Date
CN109446028A CN109446028A (zh) 2019-03-08
CN109446028B true CN109446028B (zh) 2022-05-03

Family

ID=65548574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811261024.7A Active CN109446028B (zh) 2018-10-26 2018-10-26 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法

Country Status (1)

Country Link
CN (1) CN109446028B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111601358B (zh) * 2020-04-30 2021-05-18 中南民族大学 一种多阶段分层分簇空间相关性温度感知数据去冗余方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719277A (zh) * 2009-12-31 2010-06-02 华中科技大学 一种遗传模糊聚类图像分割方法
CN105045104A (zh) * 2015-07-29 2015-11-11 铜陵有色设计研究院 基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法
CN105069469A (zh) * 2015-07-30 2015-11-18 天津师范大学 一种基于模糊c均值聚类算法和熵理论的数据流检测方法
CN105807231A (zh) * 2016-03-14 2016-07-27 深圳供电局有限公司 一种用于蓄电池剩余容量检测的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719277A (zh) * 2009-12-31 2010-06-02 华中科技大学 一种遗传模糊聚类图像分割方法
CN105045104A (zh) * 2015-07-29 2015-11-11 铜陵有色设计研究院 基于模糊类聚遗传算法的卡尔多炉参数寻优控制方法
CN105069469A (zh) * 2015-07-30 2015-11-18 天津师范大学 一种基于模糊c均值聚类算法和熵理论的数据流检测方法
CN105807231A (zh) * 2016-03-14 2016-07-27 深圳供电局有限公司 一种用于蓄电池剩余容量检测的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《内燃机故障多方法融合诊断研究》;王磊;《http://www.doc88.com/p-1953807278288.html》;20180819;第32-48页 *
《基于MATLAB采用遗传算法确定最佳聚类数》;郭海湘;《长春工业大学学报(自然科学版)》;20040514;第25卷(第1期);第12-15页 *

Also Published As

Publication number Publication date
CN109446028A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN104566868B (zh) 一种中央空调控制系统及其控制方法
WO2020191800A1 (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN110059377A (zh) 一种基于深度卷积神经网络的燃料电池寿命预测方法
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN109213127A (zh) 一种基于深度学习的hvac系统渐变故障诊断方法
CN105574231A (zh) 一种蓄电池剩余容量检测方法
CN111881505B (zh) 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN109446028B (zh) 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法
CN112116147A (zh) 一种基于lstm深度学习的河流水温预测方法
CN111594996A (zh) 一种基于深度置信神经网络的变风量空调送风量的预测方法
Wang et al. Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest
CN111221249A (zh) 一种用于数据中心系统群控的参数优化的方法
CN110852498A (zh) 一种基于gru神经网络预测数据中心能耗效率值pue的方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN110263945A (zh) 基于马尔科夫链的配电网线损处理系统
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
CN113959071A (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN113177675A (zh) 一种基于天牛群算法优化神经网络的空调冷负荷预测方法
CN111898725A (zh) 一种空调系统传感器故障检测方法、装置及电子设备
CN112070317A (zh) 酒店空调能耗预测方法
Yu et al. A Combined Neural and Genetic Algorithm Model for Data Center Temperature Control.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant