CN113627731A - 一种基于som-熵值算法的起重机械能效评价方法 - Google Patents
一种基于som-熵值算法的起重机械能效评价方法 Download PDFInfo
- Publication number
- CN113627731A CN113627731A CN202110783947.4A CN202110783947A CN113627731A CN 113627731 A CN113627731 A CN 113627731A CN 202110783947 A CN202110783947 A CN 202110783947A CN 113627731 A CN113627731 A CN 113627731A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- clustering
- particles
- particle
- algorithm
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 239000002245 particle Substances 0.000 claims abstract description 84
- 238000005265 energy consumption Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于SOM‑熵值算法的起重机械能效评价方法,首先进行起重机械能耗数据粗聚类,得到粗聚类结果和粗聚类中心;其次基于粒子群算法将通过粗聚类产生的样本各聚类中心作为粒子群算法的输入样本进行二次聚类,得到新的聚类结果;接着基于熵值法将通过粗聚类产生的样本各聚类中心的起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗等数据,计算熵值和权重;然后使用线性加权计算桥式起重机综合能耗分数并结合通过粒子群算法得到的二次聚类结果,对桥式起重机的能耗等级进行划分;最后对于未知的起重机能耗等级,通过计算聚类中心的欧式距离判定该起重机的能耗等级。本方法可对起重机能耗进行分级。
Description
技术领域
本发明属于机械能效评价领域,特别是一种基于SOM-熵值算法的起重机械能效评价方法。
背景技术
被喻为“巨人之臂”的起重机械是减轻劳动强度、提高作业效率,实现机械化、自动化以及安全生产的重要设备。起重机械已经广泛应用于工矿企业、港口码头、货运仓库、海洋探索、能源建设、航天航空等国计民生部门,是形成大批量生产、机械化流水作业的工业基础,也是现代化生产必不可少的重要标志,可以表征一个国家生产过程的机械化和自动化水平。
目前,我国起重机械的年产量和保有量已居世界前列,无论从用油还是用电角度,其能源消耗量都十分巨大。虽然起重机械行业已经设定了起重机械的节能技术要求,但依然没有建立起重机械节能技术的规范和考核标准,而起重机械能耗的检测与评价正是制定和推广规范和标准的必要条件。因此,结合起重机械行业的发展现状,开展能耗检测技术、评价方法的研究,以科学的方法填补我国起重机能耗检测和评价领域的不足,有利于起重机械节能技术的推广及节能减排综合工作目标和任务的落实。
发明内容
本发明的目的在于提供一种基于SOM-熵值算法的起重机械能效评价方法,可以促进现有起重机械的节能改造和新型节能设备的开发,推动起重机械节能研究的发展。
实现本发明目的的技术解决方案为:
一种基于SOM-熵值算法的起重机械能效评价方法,包括以下步骤:
步骤1、基于SOM算法进行粗聚类:将起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗作为样本空间,从中选取输入网络模型的输入向量;根据欧氏距离公式计算所有输出神经元与输入样本之间的距离,选取获胜神经元;接着,按照神经网络的邻域函数确定优胜邻域;随后,调整获胜神经元以及优胜邻域内其他神经元的权重向量并更新学习率和邻域函数;最后,判断学习率是否满足小于阀值或者迭代次数是否超过迭代总次数,若满足条件则输出粗聚类结果和粗聚类中心;否则,重新选取样本进行上述步骤直到满足条件;
步骤2、基于粒子群算法进行二次聚类:首先,将通过SOM算法粗聚类产生的样本各聚类中心作为粒子群算法的输入样本集合,初始化粒子的位置编码和粒子的速度编码,并且根据适应度计算公式,计算粒子的适应度,重复R次生成由R个粒子组成的种群;其次,比较粒子当前位置的适应度值和所经历过的最优位置的适应度值,若更优,则更新粒子的最优位置;比较种群当前最优粒子的适应度值和种群所经历过的最优位置的适应度值,若更优,则更新种群的最优位置;然后,根据速度和位置更新公式调整粒子的参数;接着,根据粒子的位置编码,依据最邻近法则重新确定粒子的划分,并重新计算聚类中心,更新粒子的适应度;最后,判断是否满足达到最大迭代次数,若满足条件则结束循环并输出聚类结果,否则继续上述步骤;
步骤3、基于熵值法进行能耗分级与评价:首先,将通过SOM算法粗聚类产生的样本各聚类中心的起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗组成的指标数据矩阵进行无量纲化处理;其次,使用均值化法重新构建指标数据矩阵;接着,进行归一化处理;然后,计算熵值和权重;最后,使用线性加权计算桥式起重机综合能耗分数,并结合通过粒子群算法得到的二次聚类结果,对桥式起重机的能耗等级进行划分。
本发明与现有技术相比,其显著优点是:
(1)针对能耗评价技术的现状,以及桥式起重机缺少明确能耗等级的特点,本发明基于无监督学习的评价方法提出了“先聚类后分级”桥式起重机能耗评价思路。并利用SOM神经网络和粒子群聚类算法共同实现了桥式起重机的聚类分析,计算了每一类的聚类中心,为桥式起重机能耗的分级与评价奠定了基础。
(2)根据桥式起重机能耗评价指标数据,利用熵值法赋予了指标权重,在此基础上提出了桥式起重机综合能耗分数,依据指标的权重以及聚类中心,利用线性加权的方法计算了起重机综合能耗分数,确定了桥式起重机能耗等级。根据设定的能耗等级,结合聚类中心,依据SOM模型中神经元竞争获胜的原理,实现了对未知能耗等级桥式起重机的评价。
附图说明
图1为一种基于SOM-熵值算法的起重机械能效评价方法流程图。
图2为SOM算法的计算流程图。
图3为粒子群算法的计算流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的介绍。
附图1是一种基于SOM-熵值算法的起重机械能效评价方法流程图,本发明包括以下步骤:
步骤1、基于SOM算法进行粗聚类:聚类就是将样本集划分成多个类,并保证类内离散度和最小,其中类内离散度为样本到聚类中心的距离。设置SOM神经网络输入层共有3个输入节点,每个节点对应的编号用i表示,i=1,2,3;输出层有9个输出节点(神经元),每个节点(神经元)对应的编号用j表示,j=1,2,…,9。因此,有输入向量X=(x1,x2,x3)T,权重W和权重向量Wj=(Wj1,Wj2,Wj3)T。
输入向量X中,每一个元素xi表示输入节点i输入到网络的参数。权重W中每一个元素Wji表示第j个输出节点(神经元)与第i个输入节点之间所对应的权值系数。权重向量Wj表示第j个输出节点(神经元)与所有输入节点之间所对应的权值系数的集合。附图2是SOM算法的计算流程图,计算过程主要如下:
(1)初始化:设置初始权重向量Wj(0)、初始学习率η(0)、初始邻域半径σ0和终止条件迭代总次数T的值。
(2)输入向量X:将起升机构单位工作量能耗u1、小车运行机构单位工作量能耗u2和大车运行机构单位工作量能耗u3作为样本空间,从中选取输入向量X的参数。
(3)竞争:计算每个输入向量X与权重向量Wj的欧式距离,以此为依据确定获胜的神经元。欧式距离公式如下:
上式中,dj为输入向量X与权重向量Wj之间的欧氏距离。通过比较欧式距离的大小,在N个输出神经元中选出获胜的神经元。
(4)确定优胜邻域:使用气泡函数来确定优胜邻域,气泡函数如下:
hj=ε(σn-dj)
(5)更新权重向量Wj:在竞争学习中获胜的神经元以及优胜邻域内的其他神经元都会对权值向量进行更新,更新公式如下:
Wj(n+1)=Wj(n)+η(n)hj(n)(X-Wj(n))
上式中,Wj(n)为第n次迭代后神经元j的权重向量,η(n)为第n次迭代后的学习率参数,hj(n)为第n次迭代后的优胜邻域范围。
(6)更新邻域函数和学习率:邻域函数中根据每一个迭代过程中的σn和dj进行更新,学习率则按照一定的周期来进行更新。
(7)终止条件:判断学习率η(n)是否满足小于阀值η(n)min或者迭代次数n是否超过T。若满足条件则输出粗聚类结果和9个粗聚类中心;否则,从(2)开始重新进行上述过程直到满足条件。
步骤2、基于粒子群算法进行二次聚类:采用基于聚类中心的编码方式实现粒子的位置编码,同时编码也包括速度以及适应度。将通过SOM算法粗聚类产生的9个聚类中心作为粒子群算法的输入样本集合来进行二次聚类,设置将输入的样本集划分为5类,样本集中样本向量为3维,则粒子的位置编码为一个5×3维的变量,粒子的速度编码也为一个5×3维的变量。粒子的适应度需要结合类内离散度和进行考虑,类内离散度和的计算公式如下:
上式中Yo=(yo1,yo2,yo3)为样本向量,o表示样本向量的编号,样本向量中的每一个元素yop表示第o个样本向量的第p个参数,p=1,2,3;Ck为样本集合划分的第k个类,k=1,2,...,5;Zk=(Zk1,Zk2,Zk3),为第k个类的聚类中心,Zkp表示第k个类的聚类中心的的第p个参数,聚类中心Zk计算公式为:
上式中,nk为类别k中的样本向量Yo的个数。
d(Yo,Zk)为样本到对应聚类中心的欧式距离;JC为类内离散度和,即样本到聚类中心欧式距离的总和。根据类内离散度和越大聚类越差的特点,将类内离散度和的倒数定义为粒子群聚类算法的适应度适应度越大聚类的效果越好。
粒子群算法的编码结构如下所示:
Z11Z12Z13Z21Z22Z23…Zk1Zk2Zk3…Z51Z52Z53
V11V12V13V21V22V23…Vk1Vk2Vk3…V51V52V53f(Y)
上式中Vkp表示的是粒子的速度编码参数。附图3是粒子群算法的计算流程图,计算过程主要如下:
(1)初始化:首先设置种群规模R,将样本集合随机划分成5类,样本集中样本向量为3维,计算聚类中心Zk并将5个聚类中心进行编码作为粒子的初始位置:
Zq=(Z11Z12Z13Z21Z22Z23…Zk1Zk2Zk3…Z51Z52Z53)
上式中q为粒子种群中粒子的编号,q=1,2,…,R;然后随机初始化粒子的速度:
Vq=(V11V12V13V21V22V23…Vk1Vk2Vk3…V51V52V53)
并计算粒子的适应度f(Y);最后按粒子的编码结构进行编码。
(2)粒子进化:比较粒子当前位置的适应度值和所经历过的最优位置的适应度值,若更优,则更新粒子的最优位置:
Pq=(P11P12P13P21P22P23…Pk1Pk2Pk3…P51P52P53)
上式中Pkp粒子的最优位置参数。
(3)种群进化:比较种群当前最优粒子的适应度值和种群所经历过的最优位置的适应度值,若更优,则更新种群的最优位置:
GS=(G11G12G13G21G22G23…Gk1Gk2Gk3…G51G52G53)
上式中Gkp表示种群中最优粒子的最优位置参数。
(4)根据速度和位置更新公式调整粒子的参数;
Vkp(t+1)=ωVkp(t)+c1r1(Pkp(t)-Zkp(t))+c2r2(GS(t)-Zkp(t))Zkp(t+1)=Zkp(t)+Vkp(t+1)
上式中,Vkp(t)迭代t次后粒子的速度编码参数,Zkp(t)迭代t次后粒子的位置编码参数,Pkp(t)迭代t次后粒子的最优位置参数,GS(t)迭代t次后种群最优粒子的最优位置参数,ω为惯性权重;c1、c2为学习因子;r1、r2为[0,1]之间的随机数。惯性权重计算公式为:
上式中,ωmax为最大惯性因子;ωmin为最小惯性因子;t为迭代次数;tmmax为最大迭代次数。随着迭代的进行,惯性向量ω会从最大惯性因子ωmax逐渐减小到最小惯性因子ωmin。
(5)根据粒子的位置编码:依据最邻近法则从新确定粒子的划分,并重新计算聚类中心,更新粒子的适应度。
(6)终止条件:判断是否达到最大迭代次数tmax,是则结束循环并输出聚类结果,否则转至(2)继续进行上述步骤。
步骤3、基于熵值法进行能耗分级与评价:具体流程如下:
(1)将通过SOM算法粗聚类产生的样本各聚类中心的起升机构单位工作量能耗u1、小车运行机构单位工作量能耗u2和大车运行机构单位工作量能耗u3进行无量纲化处理。假设指标矩阵中有D个待评价对象,目前有3个评价指标,则指标矩阵E如下:
矩阵E中的元素Eij表示第i个待评价对象的第j项评价指标的数据。使用均值化法对矩阵E中元素值进行无量纲化处理,计算公式如下:
(2)重新构建指标数据矩阵F,根据无量纲化处理得到的数据,构建指标矩阵F如下:
(3)进行归一化处理,计算公式如下:
(4)计算熵值ej和权重ωj,计算公式如下:
(5)使用线性加权计算桥式起重机综合能耗分数U,计算公式如下:
式中,U为桥式起重机的综合能耗分数;uj为工作机构的单位能耗;ωj为指标的权重。结合通过粒子群算法得到的二次聚类结果,将桥式起重机能耗由高到低划分为五个等级:Ⅴ、Ⅳ、Ⅲ、Ⅱ、Ⅰ,其中:
等级Ⅰ——表示最为节能,达到国际先进水平;
等级Ⅱ——表示比较节能,达到国内先进水平;
等级Ⅲ——表示能耗水平为国内平均水平;
等级Ⅳ——表示产品准许使用的最高能耗水平;
等级Ⅴ——表示产品达不到国内使用门槛,需要改进,必要时需要限制
(6)对于未知的起重机能耗等级可以通过计算其到聚类中心的欧式距离来判定该起重机的能耗等级。首先,计算待评价桥式起重机能耗指标数据到聚类中心的欧式距离并判定距离最近的聚类中心获胜;然后寻找该获胜聚类中心的能耗等级;最后,判定待评价桥式起重机的能耗等级与获胜聚类中心的能耗等级相同。
Claims (5)
1.一种基于SOM-熵值算法的起重机械能效评价方法,其特征在于,包括以下步骤:
步骤1、基于SOM算法进行粗聚类:将起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗作为样本空间,从中选取输入网络模型的输入向量;根据欧氏距离公式计算所有输出神经元与输入样本之间的距离,选取获胜神经元;接着,按照神经网络的邻域函数确定优胜邻域;随后,调整获胜神经元以及优胜邻域内其他神经元的权重向量并更新学习率和邻域函数;最后,判断学习率是否满足小于阀值或者迭代次数是否超过迭代总次数,若满足条件则输出粗聚类结果和粗聚类中心;否则,重新选取样本进行上述步骤直到满足条件;
步骤2、基于粒子群算法进行二次聚类:首先,将通过SOM算法粗聚类产生的样本各聚类中心作为粒子群算法的输入样本集合,初始化粒子的位置编码和粒子的速度编码,并且根据适应度计算公式,计算粒子的适应度,重复R次生成由R个粒子组成的种群;其次,比较粒子当前位置的适应度值和所经历过的最优位置的适应度值,若更优,则更新粒子的最优位置;比较种群当前最优粒子的适应度值和种群所经历过的最优位置的适应度值,若更优,则更新种群的最优位置;然后,根据速度和位置更新公式调整粒子的参数;接着,根据粒子的位置编码,依据最邻近法则重新确定粒子的划分,并重新计算聚类中心,更新粒子的适应度;最后,判断是否满足达到最大迭代次数,若满足条件则结束循环并输出聚类结果,否则继续上述步骤;
步骤3、基于熵值法进行能耗分级与评价:首先,将通过SOM算法粗聚类产生的样本各聚类中心的起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗组成的指标数据矩阵进行无量纲化处理;其次,使用均值化法重新构建指标数据矩阵;接着,进行归一化处理;然后,计算熵值和权重;最后,使用线性加权计算桥式起重机综合能耗分数,并结合通过粒子群算法得到的二次聚类结果,对桥式起重机的能耗等级进行划分。
2.根据权利要求1所述的基于SOM-熵值算法的起重机械能效评价方法,其特征在于,步骤1基于SOM算法进行粗聚类,具体包括以下步骤:
(1)初始化:设置初始权重向量Wj(0)、初始学习率η(0)、初始邻域半径σ0和终止条件迭代总次数T的值;
(2)输入向量X:将起升机构单位工作量能耗u1、小车运行机构单位工作量能耗u2和大车运行机构单位工作量能耗u3作为样本空间,从中选取输入向量X的参数;
(3):计算每个输入向量X与权重向量Wj的欧式距离,以此为依据确定获胜的神经元,欧式距离dj公式如下:
(4)确定优胜邻域:使用气泡函数来确定优胜邻域,气泡函数如下:
hj=ε(σn-dj)
更新权重向量Wj:在竞争学习中获胜的神经元以及优胜邻域内的其他神经元都会对权值向量进行更新,更新公式如下:
Wj(n+1)=Wj(n)+η(n)hj(n)(X-Wj(n))
上式中,Wj(n)为第n次迭代后神经元j的权重向量,η(n)为第n次迭代后的学习率参数,hj(n)为第n次迭代后的优胜邻域范围;
(6)更新邻域函数和学习率:邻域函数中根据每一个迭代过程中的σn和dj进行更新,学习率则按照周期来进行更新;
(7)终止条件:判断学习率η(n)是否满足小于阀值η(n)min或者迭代次数n是否超过T;若满足条件则输出粗聚类结果和多个粗聚类中心;否则,从(2)开始重新进行上述过程直到满足条件。
3.根据权利要求1所述的基于SOM-熵值算法的起重机械能效评价方法,其特征在于,步骤2中粒子群算法计算过程如下:
(1)初始化:首先设置种群规模R,将样本集合随机划分成5类,样本集中样本向量为3维,计算聚类中心Zk并将5个聚类中心进行编码作为粒子的初始位置:
Zq=(Z11Z12Z13Z21Z22Z23…Zk1Zk2Zk3…Z51Z52Z53)
上式中q为粒子种群中粒子的编号,q=1,2,…,R;然后随机初始化粒子的速度:
Vq=(V11V12V13V21V22V23…Vk1Vk2Vk3…V51V52V53)
并计算粒子的适应度f(Y);最后按粒子的编码结构进行编码;
(2)粒子进化:比较粒子当前位置的适应度值和所经历过的最优位置的适应度值,若更优,则更新粒子的最优位置:
Pq=(P11P12P13P21P22P23…Pk1Pk2Pk3…P51P52P53)
上式中Pkp粒子的最优位置参数;
(3)种群进化:比较种群当前最优粒子的适应度值和种群所经历过的最优位置的适应度值,若更优,则更新种群的最优位置:
GS=(G11G12G13G21G22G23…Gk1Gk2Gk3…G51G52G53)
上式中Gkp表示种群中最优粒子的最优位置参数;
(4)根据速度和位置更新公式调整粒子的参数;
Vkp(t+1)=ωVkp(t)+c1r1(Pkp(t)-Zkp(t))+c2r2(GS(t)-Zkp(t))
Zkp(t+1)=Zkp(t)+Vkp(t+1)
上式中,Vkp(t)迭代t次后粒子的速度编码参数,Zkp(t)迭代t次后粒子的位置编码参数,Pkp(t)迭代t次后粒子的最优位置参数,GS(t)迭代t次后种群最优粒子的最优位置参数,ω为惯性权重;c1、c2为学习因子;r1、r2为[0,1]之间的随机数;惯性权重计算公式为:
上式中,ωmax为最大惯性因子;ωmin为最小惯性因子;t为迭代次数;tmmax为最大迭代次数。随着迭代的进行,惯性向量ω会从最大惯性因子ωmax逐渐减小到最小惯性因子ωmin;
(5)根据粒子的位置编码:依据最邻近法则从新确定粒子的划分,并重新计算聚类中心,更新粒子的适应度;
(6)终止条件:判断是否达到最大迭代次数tmmax,是则结束循环并输出聚类结果,否则转至(2)继续进行上述步骤。
4.根据权利要求1所述的基于SOM-熵值算法的起重机械能效评价方法,其特征在于,基于熵值法进行能耗分级与评价。具体过程如下:
(1)将通过SOM算法粗聚类产生的样本各聚类中心的起升机构单位工作量能耗u1、小车运行机构单位工作量能耗u2和大车运行机构单位工作量能耗u3进行无量纲化处理,设定指标矩阵E;使用均值化法对矩阵E中元素值进行无量纲化处理;
(2)重新构建指标数据矩阵F,根据无量纲化处理得到的数据;
(3)进行归一化处理;
Fij是无量纲化处理后重新构建的指标矩阵F的元素值;
(4)计算熵值ej和权重ωj,计算公式如下:
(5)使用线性加权计算桥式起重机综合能耗分数U,计算公式如下:
式中,U为桥式起重机的综合能耗分数;uj为工作机构的单位能耗;ωj为指标的权重,结合通过粒子群算法得到的二次聚类结果,将桥式起重机能耗进行等级划分。
5.根据权利要求1所述的基于SOM-熵值算法的起重机械能效评价方法,其特征在于,对于未知的起重机能耗等级可以通过计算其到聚类中心的欧式距离来判定该起重机的能耗等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783947.4A CN113627731A (zh) | 2021-07-12 | 2021-07-12 | 一种基于som-熵值算法的起重机械能效评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783947.4A CN113627731A (zh) | 2021-07-12 | 2021-07-12 | 一种基于som-熵值算法的起重机械能效评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627731A true CN113627731A (zh) | 2021-11-09 |
Family
ID=78379464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783947.4A Pending CN113627731A (zh) | 2021-07-12 | 2021-07-12 | 一种基于som-熵值算法的起重机械能效评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310879A (zh) * | 2022-10-11 | 2022-11-08 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
-
2021
- 2021-07-12 CN CN202110783947.4A patent/CN113627731A/zh active Pending
Non-Patent Citations (1)
Title |
---|
葛志浩: "桥式起重机能耗特性分析与评价研究", 南京理工大学硕士学位论文, pages 41 - 64 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310879A (zh) * | 2022-10-11 | 2022-11-08 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
CN115310879B (zh) * | 2022-10-11 | 2022-12-16 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
Zeng et al. | A GA-based feature selection and parameter optimization for support tucker machine | |
CN115060497B (zh) | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN106372799B (zh) | 一种电网安全风险预测方法 | |
CN112766608B (zh) | 一种基于极限学习机的水泥磨系统电耗指标预测方法 | |
CN106374465B (zh) | 基于gsa-lssvm模型的短期风电功率预测方法 | |
CN107992645B (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
CN112947300A (zh) | 一种加工质量虚拟量测方法、系统、介质及设备 | |
Wang | Fuzzy clustering analysis by using genetic algorithm | |
CN114139458B (zh) | 基于机器学习的钻井参数优化方法 | |
CN113627731A (zh) | 一种基于som-熵值算法的起重机械能效评价方法 | |
Zhang et al. | A network traffic prediction model based on quantum inspired PSO and neural network | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Jinlian et al. | Long and medium term power load forecasting based on a combination model of GMDH, PSO and LSSVM | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
CN113807405B (zh) | 一种基于深度迁移学习的变工况球磨机负荷软测量方法 | |
Libao et al. | A hybrid mutation scheme-based discrete differential evolution algorithm for multidimensional knapsack problem | |
Guoxin et al. | Clustering analysis based on chaos micro variation adaptive genetic algorithm for radio fuze jamming | |
CN114493060A (zh) | 基于模糊设计结构矩阵与灰色理论的可持续性评价方法 | |
Yaqun et al. | Notice of Retraction: Research on identification of coal and waste rock based on PCA and GA-ANN | |
Yan et al. | Soft-measuring model for grinding particle size based on the improved GWO-BP network model | |
Kang et al. | A modified multi-objective particle swarm optimisation with entropy adaptive strategy and Levy mutation in the internet of things environment | |
Huang | An Improved Adaptive Differential Evolution based on Hybrid Method for Function Optimization |
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 |