CN111339633B - 基于数据变化特征模糊度量的热量表性能退化评估方法 - Google Patents
基于数据变化特征模糊度量的热量表性能退化评估方法 Download PDFInfo
- Publication number
- CN111339633B CN111339633B CN201911378214.1A CN201911378214A CN111339633B CN 111339633 B CN111339633 B CN 111339633B CN 201911378214 A CN201911378214 A CN 201911378214A CN 111339633 B CN111339633 B CN 111339633B
- Authority
- CN
- China
- Prior art keywords
- state
- heat meter
- performance degradation
- calorimeter
- degradation
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于数据变化特征模糊度量的热量表性能退化评估方法,构建热量表性能退化特征集,得到表征热量表状态的最优特征集;采用密度RPCL获取两种状态的聚类个数与初始聚类中心,实现正常状态与失效状态数据分布的初始分析;分别得到热量表正常状态和失效状态的聚类中心作为退化评价基准;再分别求取当前状态到正常状态聚类中心的最小偏离系数和到失效状态聚类中心的最小偏离系数,实现当前状态分别于正常状态、失效状态的偏离程度表征;利用模糊隶属度模型求取当前状态属于正常状态的隶属度作为退化指标,实现对热量表性能退化的有效分析。以热量表试验数据为基础,本发明方法能实现更准确地热量表性能退化状态评估。
Description
技术领域
本发明属于热量表安全技术领域,具体涉及一种基于数据变化特征模糊度量的热量表性能退化评估方法。
背景技术
目前针对热量表的研究,主要集中在推广应用、型式检定方式和耐久性试验等方面,关于热量表的性能退化状态评估方面的研究几乎为零。热量表从正常状态到失效状态,会经历不同的性能状态,通过热量表的监测数据,对其运行状态进行分析评估,对于保证热量表的长期安全可靠运行具有重要的意义。与其他设备类似,热量表性能退化状态评估的关键之一是准确建立性能退化指标,基于退化指标反映其运行状态。目前有关设备性能退化指标构建的研究方法主要包括基于单特征变量的方法,基于线性回归的方法以及基于状态偏移程度的方法。
针对热量表这类复杂的黑箱系统,用单一的评价指标去评价其退化状态并不准确,而且难以找到合适的线性回归模型去表征其退化状态,因此依靠单一的退化特征或者采用多参数的线性回归所构建的退化指标难以准确的描述热量表的退化程度。并且耐久性试验中热量表退化模式多样,个性化明显,失效时间存在很大的差异性,正常状态与失效状态有各自的数据特征,可能存在各自局部数据中心,现有的基于状态偏移的方法通常将正常与失效状态的数据聚类或者分类,缺乏对设备正常状态与失效状态的数据的充分分析,特征基准的构建不准确,也很难有效地反应其退化程度,严重影响热量表的性能退化评估有效性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于数据变化特征模糊度量的热量表性能退化评估方法,分析结果更准确,能够更早的发现热量表的早期故障,实现了热量表性能退化评估可靠性的提升。
本发明采用以下技术方案:
基于数据变化特征模糊度量的热量表性能退化评估方法,包括以下步骤:
Q1、基于热量表性能退化数据X=(X1,X2),包括正常状态X1和失效状态X2两部分数据,构建热量表性能退化特征集Ts,使用多指标筛选的方法得到表征热量表状态的最优特征集Tb;
Q2、基于最优特征集Tb构建样本,利用密度次胜者受罚的竞争学习理论,输入热量表性能退化样本X,包含正常状态X1和失效状态X2两种状态样本,分别获取X1、X2两种状态的聚类个数集S1={S11,S12}与初始聚类中心集S2={S21,S22},实现正常状态与失效状态数据变化特征的初始分析;
Q3、基于热量表正常状态和失效状态的聚类个数集S1与初始聚类中心集S2,利用模糊C 均值聚类算法,分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4,作为热量表性能退化评价基准;
Q4、基于待测热量表当前状态样本Xt,构建当前状态到正常状态X1聚类中心集的最小偏离系数Dnormal和到失效状态X2聚类中心集的最小偏离系数DInvalid,实现当前状态分别于正常状态、失效状态的偏离程度表征;
Q5、基于偏离系数Dnormal和DInvalid,构建模糊隶属度模型,即求取当前状态Xt属于正常状态X1的隶属度作为退化指标,实现对热量表性能退化的有效分析。
具体的,步骤Q1具体为:
Q101、设X=(X1,X2)是热量表性能退化数据(X1与X2分别是正常状态与失效状态数据),记为时间序列信息z,依据时域和经验模态分解理论,构建表征热量表性能退化的特征集Ts;
Q102、利用趋势性、鲁棒性与敏感性3个指标,进行热量表特征的筛选,得到表征热量表状态的最优特征集Tb。
进一步的,步骤Q102中,包括表示特征序列随着时间持续增加或持续降低的趋势程度的趋势性指标;基于性能退化序列波动程度的鲁棒性指标;反映提取的退化特征对热量表退化状态改变的敏感程度的敏感性指标,根据退化特征的趋势值指标值超过0.6,鲁棒性指标超过0.5,进行敏感性特征选择,得到热量表的最优性能退化特征集Tb。
具体的,步骤Q2具体为:
Q201、随机选择p个样本作为初始权值矢量wi,i=1,2...p,计算每个样本的密度分布m(y),设置最大迭代次数T,令t=1,去除冗余类的阈值δ;
Q202、随机从数据Y中选取yk作为输入,wc表示获胜的权值矢量,wr表示次胜的权值矢量,令:定义1样本数据y={y1,...,yq}与x={x1,...,xq}的距离表示为:
定义2样本数据yk的基于密度调整系数m(j)表示为:
m(j)=exp(-v(yk))
其中,j=1,..,n,mj表示第j个权值矢量wj的调整频率,nj权值矢量wj在此前输入的所有样本中获胜的次数;
Q203、更新修改权值矢量如下:
wi=wi+Δwi
其中,ac表示获胜权值矢量的学习率,ar表示次胜权重矢量的惩罚率,且0≤ar<<ac<1;
Q204、t=t+1,如果t<T,则转步骤A202,直到t=T;
Q205、将样本分配到距离最近的权值矢量对应的类簇;
Q206、统计每个类簇的样本数目,假如某类簇的样本数目与样本总数的比值小于阈值δ,则作为冗余类去掉;
Q207、得到聚类数目和初始聚类中心,实现数据分布的初始分析。
具体的,步骤Q3具体为:
基于密度次胜者受罚的竞争学习理论求出的热量表正常状态和失效状态的聚类个数集S1 与初始聚类中心集S2,作为模糊C均值聚类算法的输入,分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4,以此作为热量表性能退化评价基准。
具体的,步骤Q4具体为:
Q401、设热量表当前状态的数据特征表示为Xt,基于热量表性能退化评价基准S3和S4,正常状态的聚类中心集合S3,s3i是S3的第i个聚类中心(i=1,...,c1),c1是正常状态聚类数目;失效状态的聚类中心集合S4,s4m是S4的第m个聚类中心m=1,...,c2,c2是失效状态聚类数目;计算热量表当前状态到正常状态S3的各个聚类中心的距离热量表当前状态到失效状态S4的各个聚类中心的距离
Q402、计算热量表当前状态到正常状态S3的各个聚类中心的距离最小值d3(min),到失效状态S4的各个聚类中心的距离最小值d4(min),作为最小偏离系数表征偏离程度,实现当前状态分别于正常状态、失效状态的偏离程度表征。
具体的,步骤Q5中,基于最小偏离系数,以此作为模糊隶属度模型中的输入,求取当前状态属于正常状态的隶属度,作为热量表性能退化评价指标,模糊隶属度评估模型为:
其中,unormal表示热量表当前状态的数据属于正常状态的隶属度;dnormal表示热量表当前状态的数据到正常状态聚类中心的距离;dinvalid表示热量表当前状态的数据到失效状态聚类中心的聚类;m表示平滑因子,unormal取值范围是[0,1]。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于数据变化特征模糊度量的热量表性能退化评估方法,将密度次胜者受罚的竞争学习(RPCL)求出的聚类中心和聚类初始点作为模糊C均值算法的输入,提高了聚类结果的准确性,为后续研究提供了有力的支撑;将密度次胜者受罚的竞争学习(RPCL)与模糊 C均值算法结合,基于最小偏离系数的正常状态隶属度的热量表性能退化指标,对于热量表的性能状态变化更敏感,有效性更高;相比基于模糊C均值的方法与基于SVDD的方法对退化开始时间与严重退化的时间的判断较为提前,能够有利于地发现热量表的退化情况。并且基于 SVDD的方法的退化指标波动较大,正常状态与早期退化状态的区分不明显,本发明方法能够较为准确地评估与区分各个退化状态。
进一步的,构建热量表性能退化特征集Ts,使用多指标筛选的方法得到表征热量表状态的最优特征集Tb,筛选出最优特征集可以更好的描述数据变化,提高数据的可解释性并且降低运算开销。
进一步的,从不同角度对性能退化特征进行筛选得到最优性能退化特征集Tb,可以得到对性能退化数据表达更好的特征,与单一筛选指标相比,特征综合性能更优。
进一步的,利用密度次胜者受罚的竞争学习(RPCL)方法求取待处理数据集的聚类中心与聚类个数,为后续聚类算法提供数据集的数据特性分析,提高聚类结果准确性。
进一步的,利用模糊C均值聚类算法进行聚类处理,克服了其他模糊聚类方法存在无法处理大样本数据与数据处理实时性差等问题,提高了聚类结果的准确性,即提高了基准的有效性。
进一步的,求取待测热量表样本到基准的距离集合,并选取最小值,可以更精确的表示该待测点到各数据集的偏离程度,实现更精确地表征。
进一步的,利用该模糊隶属度评估模型可使构建指标量化,隶属度越低证明其性能退化程度越严重,可以更精确地表征热量表的性能退化状态。
综上所述,本发明所提出的基于多特征融合的热量表性能退化状态评估技术,能够在一定程度上实现更精确地热量表性能退化状态评估。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为基于多特征融合的热量表性能退化状态评估的方法流程图;
图2为正常与失效状态的特征分析图;
图3为本发明方法构建热量表性能退化指标图;
图4为基于模糊C均值构建的热量表性能退化指标图;
图5为基于SVDD热量表性能退化指标图。
具体实施方式
本发明提供了一种基于数据变化特征模糊度量的热量表性能退化评估方法,首先,构建热量表性能退化特征集Ts,使用多指标筛选的方法得到表征热量表状态的最优特征集Tb;其次,采用密度RPCL分别分析正常状态和失效状态的退化特征,获取两种状态的聚类个数与初始聚类中心,作为模糊C均值聚类算法的超参数,实现正常状态与失效状态数据分布的初始分析;再次,利用模糊C均值聚类算法分别得到热量表正常状态和失效状态的聚类中心作为退化评价基准;然后,分别求取当前状态到正常状态聚类中心的最小偏离系数Dnormal和到失效状态聚类中心的最小偏离系数DInvalid,实现当前状态分别于正常状态、失效状态的偏离程度表征;最后,利用模糊隶属度模型求取当前状态属于正常状态的隶属度,作为退化指标,实现对热量表性能退化的有效分析。
请参阅图1,本发明一种基于数据变化特征模糊度量的热量表性能退化评估方法,包括以下步骤:
Q1、构建热量表的性能退化特征集Ts并进行最优特征集Tb筛选
构建热量表性能退化特征集,使用多指标筛选的方法得到表征热量表状态的优质特征,具体如下:
Q101、依据时域和经验模态分解理论,构建表征热量表性能退化的特征集Ts。设X=(X1, X2)是热量表性能退化数据(X1与X2分别是正常状态与失效状态数据),记为时间序列信息 z,依据时域和经验模态分解理论,构建表征热量表性能退化的特征集Ts。具体如下所示:
表1时域统计特征
其中,Tj为特征标号;z(k)为时间序列信号;N为样本点数。
为了更全面的解释数据信息,加入本征模函数1,2,3的能量和能量熵四个特征。
信号x(t)的经验模态分解可以表示为下式:
其中,imfi(t)为所得的IMF,rn(t)为残差函数。
当热量表退化状态发生改变时,热量表耐久性实验瞬时流量的相对误差能量值的会发生相应的变化,经验模态分解IMF分量的能量为:
其中,N表示IMF分量imfi(t)的数据长度,即样本点数。
当热量表退化状态发生改变时,热量表耐久性性能退化数据z的能量分布也会发生相应的变化,经验模态分解能量熵反映信号能量在不同频带上的能量变化信息,其定义为:
Q102、利用趋势性、鲁棒性与敏感性3个指标,进行热量表特征的筛选,得到表征热量表状态的最优质特征。主要集中在考察状态特征的趋势性、鲁棒性和敏感性三个方面。下面给出趋势性、鲁棒性和退化敏感性指标的定义。
Q1021、趋势性指标
趋势性指标用来表示特征序列随着时间持续增加或持续降低的趋势程度,趋势性指标的定义为:
其中,qj={qj1,qj2,...,qji,...,qjn}是热量表的第j个特征序列,t={t1,t2,...,ti,...,tn}是热量表数据样本的时间序列,n为热量表的样本数。
当某个特征随着时间单调增加或者减少时,趋势值越接近于1;相反的,如果某个参数是常数或者随时间随机变化,那么趋势值为0。因此,较高的趋势值意味着较好的该特征具备较好的整体单调性。由公式得到的趋势值的范围在[0,1]之间,趋势值超过0.6即表明特征具有较明显的趋势性。
Q1022、鲁棒性指标
鲁棒性指标是基于性能退化序列波动程度而定义的,定义如下:
鲁棒性指标表示相应退化特征的趋势序列,是对原始退化性能特征进行平滑处理得到的,其刻画了性能退化特征对外点抗干扰能力,取值范围[0,1],其值越大,表明鲁棒性越好,则性能退化评估与剩余寿命预测的不确定性将减小,鲁棒性超过0.5即表明特征具有较明显的鲁棒性。
Q1023、敏感性指标
敏感性指标是用来反映提取的退化特征对热量表退化状态改变的敏感程度。为了定量评估特征的敏感性,本专利采用基于距离的特征敏感度计算方法,特征敏感度是一种利用特征间距离大小来评估特征的一种特征评估技术,其评估原则是:同一退化状态的类内特征距离最小,不同退化状态的类间特征距离最大,能够符合这一原则的特征被认为是敏感特征。该评估方法步骤如下:
Step1:计算第c类第j个特征的类内距离
其中,i=1,2...Mc,j=1,2...J,c=1,2...C,Mc为第c类的样本个数;J为特征个数;C为类别个数;qi,c,j为第c类第i个样本第j个特征的特征值,为第c类第j个特征的特征值平均值;
Step2:为了能够反映数据的变异程度,选用四分位数间距,计算第j个特征C个类的类内距离的四分位平均值,这种方法计算出来的平均值更能体现数据的分布。
计算第j个特征C个类的类内距离的四分位均值,将dc,j按照从小到大的顺序排列,并记录其下标为n∈[1,N]。
计算类内距离的差异性参数:
Step3:同理计算第c类第j个特征的四分位平均值:
然后,计算第j个特征C个类的类间距离的平均值:
其中,c,e=1,2...C,c>e,ue,j、uc,j为第e和第c个类第j个特征的四分位均值。
Step4:同理计算类间距离的差异性参数:
根据正则化法则,计算出基于距离评估比例系数:
Step5:计算类间距离与类内距离的比值:
Step6:计算特征集合的敏感度评估参数:
其中,Sen为退化敏感度指标,敏感度参数Sen越大表示其该特征对热量表退化状态变化的敏感性越强。
根据退化特征的趋势值指标值超过0.6,鲁棒性指标超过0.5,然后选择敏感性指标较大的特征,进行特征选择,得到热量表的性能退化特征。
Q2、采用密度RPCL分别分析正常状态和失效状态的退化特征,获取两种状态的聚类个数与初始聚类中心,作为模糊C均值聚类算法的超参数,实现正常状态与失效状态数据分布的初始分析,密度RPCL算法实现描述如下:
设Y={y1,...,yM}为待分析的数据集,M为集合Y中元素的总数,集合Y的第k个元素yk是 q维的矢量,yk={yk1,...,ykq},随机选择p个样本作为初始权值矢量(初始聚类中心),有p 个初始权值矢量wi(i=1,...,p),第i个初始权值矢量为wi={wi1,...,wiq}。
密度RPCL算法包括以下步骤:
Q201、随机选择p个样本作为初始权值矢量(初始聚类中心)wi,i=1,2...p,,计算每个样本的密度分布m(y),设置最大迭代次数T,令t=1,去除冗余类的阈值δ;
Q202、随机从数据Y中选取yk作为输入,wc表示获胜的权值矢量,wr表示次胜的权值矢量,令:
定义1样本数据y={y1,...,yq}与x={x1,...,xq}的距离表示为:
定义2样本数据yk的基于密度调整系数m(j)表示为:
m(j)=exp(-v(yk))(17)
其中,j=1,..,n,mj表示第j个权值矢量wj的调整频率,nj权值矢量wj在此前输入的所有样本中获胜的次数;
Q203、更新修改权值矢量,如下所示:
wi=wi+Δwi (18)
其中,ac表示获胜权值矢量的学习率,ar表示次胜权重矢量的惩罚率,且0≤ar<<ac<1;
Q204、t=t+1,如果t<T,则转第二步,直到t=T;
Q205、将样本分配到距离最近的权值矢量对应的类簇;
Q206、统计每个类簇的样本数目,假如某类簇的样本数目与样本总数的比值小于阈值δ,则作为冗余类去掉;
Q207、得到聚类数目和初始聚类中心,实现数据分布的初始分析。
Q3、利用模糊C均值聚类算法分别得到热量表正常状态和失效状态的聚类中心作为退化评价基准。
Q4、分别求取当前状态到正常状态聚类中心的最小偏离系数Dnormal和到失效状态聚类中心的最小偏离系数DInvalid,实现当前状态分别于正常状态、失效状态的偏离程度表征。
基于正常状态和失效状态的聚类中心,分别求取待测热量表当前状态到正常状态聚类中心的最小偏离系数Dnormal和到失效状态聚类中心的最小偏离系数DInvalid,以此实现当前状态分别于正常状态、失效状态的偏离程度表征。具体如下:
Q401、设热量表当前状态的数据特征表示为Xt,基于热量表性能退化评价基准S3和S4,正常状态的聚类中心集合S3,其中,s3i是S3的第i个聚类中心(i=1,...,c1),其中c1是正常状态聚类数目;失效状态的聚类中心集合S4,其中s4m是S4的第m个聚类中心(m=1,...,c2),其中c2是失效状态聚类数目。计算热量表当前状态到正常状态S3的各个聚类中心的距离热量表当前状态到失效状态S4的各个聚类中心的距离其中公式:
d3i=||Xt-s3i||2 (20)
d4m=||Xt-s4m||2 (21)
其中,i=1,...c1,m=1,...c2,||·||2表示欧式距离。
Q402、为了准确地度量热量表当前状态到正常状态与失效状态的偏离程度,本发明提出基于最小偏离系数的方法表征偏离程度,即计算热量表当前状态到正常状态S3的各个聚类中心的距离最小值d3(min),到失效状态S4的各个聚类中心的距离最小值d4(min),作为最小偏离系数表征偏离程度,实现当前状态分别于正常状态、失效状态的偏离程度表征,作为模糊隶属度模型中Dnormal与Dinvalid的输入,求取当前状态属于正常状态的隶属度,作为热量表性能退化评价指标。
Q5、利用模糊隶属度模型求取当前状态属于正常状态的隶属度,作为退化指标,实现对热量表性能退化的有效分析
利用模糊隶属度模型对热量表进行性能退化评估,是利用算法中求出的隶属度具有不确定性与模糊性的特点,将热量表当前的退化特征隶属于正常状态的隶属度作为热量表的退化评价指标,其取值范围在[0,1]之间,隶属度值越大,则表明热量表当前的性能运行状态越好,即越接近于正常状态,隶属度的值越小,则说明热量表当前的性能运行状态越差,即越接近于失效状态,评估模型如下:
其中,unormal表示热量表当前状态的数据属于正常状态的隶属度;dnormal表示热量表当前状态的数据到正常状态聚类中心的距离;dinvalid表示热量表当前状态的数据到失效状态聚类中心的聚类;m表示平滑因子,一般取m=2;由式(24)可知,unormal取值范围是[0,1],即unormal越大,则说明热量表性能退化不显著;反之,unormal越小,则说明热量表性能退化严重。
本发明提出了基于一种隶属度指标的热量表性能退化评估方法,分析结果准确度更高,能够更敏感地发现热量表的故障,促进热量表服役质量的提升。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明验证数据来源于热量表耐久性试验,证明了本发明的有效性。利用耐久性试验装置对来自同一厂家的同一型号的热量表进行4000次冷热冲击试验,将数据采集周期设置为15s,每个冷热冲击循环时间为5min,直至热量表失效,收集了48块热量表从正常到失效状态的整个运行过程的监测数据,其中2块仪表漏水,1块仪表不显示示数,其余热量表瞬时流量的相对误差超过规定(瞬时流量的相对误差超出2MPE或试验前后误差的变化量超出1.5MPE)。
现以热量表A为研究对象,每5小时(即60个周期)时间长度为1个时间点进行分析,分析耐久性试验中瞬时流量的相对误差,对其性能退化状态进行评估。分别获取48块热量表瞬时流量相对误差的退化特征。热量表性能退化特征以及各个指标取值大小如表2所示。
表2热量表性能退化指标及3种评价指标取值
基于密度RPCL的参数设置为:学习率ac=0.01,惩罚率ar=0.001,迭代次数为100次。利用次胜者受罚的竞争学习(密度RPCL)方法对这48块热量表正常状态与失效状态的退化特征进行分析,得到5个初始的聚类中心集合,V1={v11,...,v15},分析得到失效状态3个初始的聚类中心集合V2={v21,v22,v23},将获取的热量表正常状态的初始聚类中心集合与聚类数目作为模糊C均值聚类的输入,获得正常状态的退化特征聚类中心集合S1,将获取的失效状态的初始聚类中心集合与聚类数目作为模糊C均值的输入,获得失效状态的退化特征聚类中心集合S2,聚类分析如图2所示。
根据图2可以看出热量表正常状态的特征有5个聚类中心,失效状态的特征有3个聚类中心。传统性能退化方法中将正常状态用一个聚类中心表示,失效状态的也是一个聚类中心表示,在此基础上进行退能退化评估,这存在一定的局限性。本发明提出的基于密度RPCL的模糊C 均值对热量表正常与失效状态的特征进行了充分的分析,分别得到其聚类中心集合S1,S2作为热量表性能退化的评价基准,为性能退化的评估提供了前提条件,正常与失效状态的聚类中心如表3和表4所示。
表3热量表正常状态的聚类中心
表4热量表失效状态的聚类中心
按照本发明提出的基于最小偏离系数表征的偏离程度度量方法,分别求取当前状态到正常状态聚类中心的最小偏离系数和到失效状态聚类中心的最小偏离系数,作为模糊C均值模型的输入,构建热量表的性能退化指标,如图3所示。
从图3可以看出,热量表A的性能退化指标(黑色曲线)整体呈现出递减的趋势,表明着其性能在不断地发生退化。分析得出,热量表A在从开始试验到时间点43之间,变化趋势比较小,性能退化指标存在一定的波动,从时间点43以后,性能退化指标值递减的趋势开始明显,说明其进入了退化阶段。且在样本87附近,性能退化指标值减小的趋势进一步加剧,表明热量表进入严重退化阶段,直至样本113附近进入失效阶段。
按照本发明提出的方法,根据所构建的退化指标的变化情况进行热量表A的退化状态进行评估,可以将热量表A的性能退化过程分为3个阶段,即正常阶段(1-45)、退化阶段(45-87)、严重退化至失效阶段(87-113)。因为热量表瞬时流量相对误差波动比较大,数据量多,无法直接准确判断评估正常状态、退化状态及严重退化状态和各个状态精确的区分时间点,对热量表A瞬时流量相对误差原始数据进行放大分析观察,从开始阶段到48个时间点左右,这段时间总体趋势变化不明显,之后变化相对较大,在90个时间点左右变化加剧,证明本发明方法对热量表的评估与实际情况相符合。
为了验证本发明方法的优势,使用基于模糊C均值模型方法对热量A的性能退化过程进行分析,以此作为对比。与本发明方法的区别是,该方法仅分别将正常与失效状态的数据分别作为一个聚类中心,没有充分对热量表正常与失效状态退化特征的充分分析,没有考虑异常点对退化评价基准的影响。进而构建退化指标,如图4所示。从图4可知,基于模糊C均值构建的性能退化指标(黑色曲线)呈现出递减的趋势,表示热量A在使用过程中在不断地发生退化,且其整体退化趋势与本方法得到的性能退化指标的变化趋势相似。但是,按照基于模糊均值的退化评估方法,分析得出:热量表性A时间点52以后,进入了退化阶段,相对本发明提出的方法评估早期退化状态较为滞后;按照基于模糊均值的退化评估方法时间点92,热量表进入严重退化阶段,相对于本发明提出的方法严重退化阶段识别较为滞后。
因为热量表瞬时流量相对误差波动比较大,数据量多,无法直接准确判断评估正常阶段、退化阶段及严重退化阶段精确的区分时间点,但根据退化评估理论,退化评估的相对超前是可以接受的,因为这有利于热量表的维护与更换,更有利于保证热量表计量效果的准确性,因此本发明的方法更具优势。为了更一步验证本发明方法的优势,使用基于SVDD的性能退化状态评估方法对热量表A的性能退化过程进行分析对比,构建的退化指标,如图5所示。
由图5可知,基于SVDD构建的热量表性能退化指标(黑色曲线)总体呈现出递减的趋势,表示热量A在使用过程中在不断地发生退化,且其整体退化趋势与本方法得到的性能退化指标的变化趋势相似。按照基于SVDD的退化评估方法,在正常阶段退化指标的波动程度很大,和早期退化阶段区分性不高,产生错误的判断,热量表性A时间点55以后,进入了退化阶段,相对本发明提出的方法评估早期退化状态较为滞后。按照基于SVDD的退化评估方法,热量表在时间点95进入严重退化阶段,相对于本发明提出的方法严重退化阶段识别较为滞后。
通过对比三种方法得到的热量表的性能退化指标的趋势图(图3、4和5),可以得到如下结论:
(1)通过本发明方法得到的热量表A的性能退化指标和其他方法得到的指标的变化趋势相同,即本发明方法能够描绘出热量表的性能退化过程;
(2)本发明方法相比于基于模糊C均值的方法对退化开始时间与严重退化的时间的判断较为提前,能够有利于地发现热量表的退化情况,进行相关的维护或者更换,保证了热量表的计量精度;
(3)基于SVDD的方法的退化指标波动较大,正常状态与早期退化状态的区分不明显,而本发明的方法对热量表的退化有很好的敏感性,能够较为准确地评估与区分各个退化状态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (4)
1.基于数据变化特征模糊度量的热量表性能退化评估方法,其特征在于,包括以下步骤:
Q1、基于热量表性能退化数据X=(X1,X2),包括正常状态X1和失效状态X2两部分数据,构建热量表性能退化特征集Ts,使用多指标筛选的方法得到表征热量表状态的最优特征集Tb,具体为:
Q101、设X=(X1,X2)是热量表性能退化数据,依据时域和经验模态分解理论,构建表征热量表性能退化的特征集Ts;
Q102、利用趋势性、鲁棒性与敏感性3个指标,进行热量表特征的筛选,得到表征热量表状态的最优特征集Tb;
Q2、基于最优特征集Tb构建样本,利用密度次胜者受罚的竞争学习理论,输入热量表性能退化数据X,分别获取X1、X2两种状态的聚类个数集S1={S11,S12}与初始聚类中心集S2={S21,S22},实现正常状态与失效状态数据变化特征的初始分析,具体为:
Q201、设Y={y1,…,yk,yM}为待分析的热量表状态数据集,M为集合中元素的总数,集合Y的第k个元素yk是q维矢量,yk={yk1,…,ykq},随机选择p个样本作为初始权值矢量wi,i=1,2...p,计算每个样本的密度分布m(y),设置最大迭代次数T,令t=1,去除冗余类的阈值δ;
Q202、随机从数据Y中选取yk作为输入,wc表示获胜的权值矢量,wr表示次胜的权值矢量,令:定义1样本数据y={y1,...,yq}与x={x1,...,xq}的距离表示为:
m(yk)=exp(-v(yk))
Q203、更新修改权值矢量如下:
wi=wi+Δwi
其中,ac表示获胜权值矢量的学习率,ar表示次胜权重矢量的惩罚率,且0≤ar<<ac<1;
Q204、t=t+1,如果t<T,则转步骤Q202,直到t=T;
Q205、将样本分配到距离最近的权值矢量对应的类簇;
Q206、统计每个类簇的样本数目,假如某类簇的样本数目与样本总数的比值小于阈值δ,则作为冗余类去掉;
Q207、得到聚类数目和初始聚类中心,实现数据分布的初始分析;
Q3、基于热量表正常状态和失效状态的聚类个数集S1与初始聚类中心集S2,利用模糊C均值聚类算法,分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4,作为热量表性能退化评价基准;
Q4、基于待测热量表当前状态样本Xt,构建当前状态到正常状态X1聚类中心集的最小偏离系数Dnormal和到失效状态X2聚类中心集的最小偏离系数DInvalid,实现当前状态分别于正常状态、失效状态的偏离程度表征,具体为:
Q401、设热量表当前状态样本Xt,基于热量表性能退化评价基准S3和S4,正常状态的聚类中心集合S3,s3i是S3的第i个聚类中心,i=1,...,c1,c1是正常状态聚类数目;失效状态的聚类中心集合S4,s4m是S4的第m个聚类中心m=1,...,c2,c2是失效状态聚类数目;计算正常状态的聚类中心集合S3的各个聚类中心的距离失效状态的聚类中心集合S4的各个聚类中心的距离
Q402、计算正常状态的聚类中心集合S3的各个聚类中心的距离最小值d3(min),到失效状态的聚类中心集合S4的各个聚类中心的距离最小值d4(min),作为最小偏离系数表征偏离程度,实现当前状态分别于正常状态、失效状态的偏离程度表征;
Q5、基于偏离系数Dnormal和DInvalid,构建模糊隶属度模型,即求取当前状态样本Xt属于正常状态X1的隶属度作为退化指标,实现对热量表性能退化的有效分析。
2.根据权利要求1所述的基于数据变化特征模糊度量的热量表性能退化评估方法,其特征在于,步骤Q102中,包括表示特征序列随着时间持续增加或持续降低的趋势程度的趋势性指标;基于性能退化序列波动程度的鲁棒性指标;反映提取的退化特征对热量表退化状态改变的敏感程度的敏感性指标,根据退化特征的趋势值指标值超过0.6,鲁棒性指标超过0.5,进行敏感性特征选择,得到热量表的最优性能退化特征集Tb。
3.根据权利要求1所述的基于数据变化特征模糊度量的热量表性能退化评估方法,其特征在于,步骤Q3具体为:
基于密度次胜者受罚的竞争学习理论求出的热量表正常状态和失效状态的聚类个数集S1与初始聚类中心集S2,作为模糊C均值聚类算法的输入,分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4,以此作为热量表性能退化评价基准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378214.1A CN111339633B (zh) | 2019-12-27 | 2019-12-27 | 基于数据变化特征模糊度量的热量表性能退化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378214.1A CN111339633B (zh) | 2019-12-27 | 2019-12-27 | 基于数据变化特征模糊度量的热量表性能退化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339633A CN111339633A (zh) | 2020-06-26 |
CN111339633B true CN111339633B (zh) | 2022-05-20 |
Family
ID=71181395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378214.1A Active CN111339633B (zh) | 2019-12-27 | 2019-12-27 | 基于数据变化特征模糊度量的热量表性能退化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339633B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197890B (zh) * | 2020-09-08 | 2021-07-13 | 西安交通大学 | 一种热量表性能退化评估方法、存储介质及设备 |
CN114035021A (zh) * | 2021-10-08 | 2022-02-11 | 北京航空航天大学 | 基于EEMD-Prophet的电路故障预测方法 |
CN117479510B (zh) * | 2023-12-28 | 2024-03-08 | 海斯福(深圳)科技有限公司 | 基于氟化液性能退化评价的冷却系统智能控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
CN109214522A (zh) * | 2018-07-17 | 2019-01-15 | 西安交通大学 | 一种基于多属性的设备性能退化评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959676B (zh) * | 2017-12-22 | 2019-09-20 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
-
2019
- 2019-12-27 CN CN201911378214.1A patent/CN111339633B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
CN109214522A (zh) * | 2018-07-17 | 2019-01-15 | 西安交通大学 | 一种基于多属性的设备性能退化评估方法 |
Non-Patent Citations (2)
Title |
---|
基于改进RPCL的K-means聚类算法;李彦明;《甘肃科技》;20180228;第34卷(第4期);第59-62页 * |
基于模糊c-均值的设备性能退化评估方法;潘玉娜 等;《上海交通大学学报》;20091130;第43卷(第11期);第1794-1797页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111339633A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339633B (zh) | 基于数据变化特征模糊度量的热量表性能退化评估方法 | |
Coble et al. | Identifying optimal prognostic parameters from data: a genetic algorithms approach | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
Khan et al. | A stacked machine and deep learning-based approach for analysing electricity theft in smart grids | |
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN108700852A (zh) | 模型参数值推定装置及推定方法、程序、记录有程序的记录介质、模型参数值推定系统 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN110443304A (zh) | 一种基于机器学习模型的企业风险评估方法 | |
CN114997612A (zh) | 一种面向大型粮堆异常信息的聚类分析方法和装置 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
CN117216844A (zh) | 一种桥梁结构损伤检测方法、系统和存储介质 | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
US20220215144A1 (en) | Learning Apparatus, Learning Method and Learning Program | |
CN116736214A (zh) | 一种cvt稳定性评估方法和系统 | |
CN110516890A (zh) | 一种基于灰色组合模型的农作物产量监控系统 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
CN106909497B (zh) | 测试方法和装置 | |
CN112381380B (zh) | 航天器的系统健康检测方法和装置 |
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 |