国产精品久久久香蕉视频-女人国产香蕉久久精品网站-一区二区国产欧美熟女日韩-欧美日韩亚洲国产一区二区综合

安詩(shī)曼工業(yè)除濕機(jī)廠家專業(yè)生產(chǎn)工業(yè)除濕機(jī),家用除濕機(jī),商用除濕機(jī)等產(chǎn)品,歡迎來(lái)電咨詢定制。 公司簡(jiǎn)介 | 研發(fā)團(tuán)隊(duì) | 網(wǎng)站地圖 | xml地圖
安詩(shī)曼-精芯除濕·致凈生活環(huán)境溫度濕度系統(tǒng)化解決方案供應(yīng)商
全國(guó)咨詢熱線:133-6050-3273
您的位置:新聞資訊 > 行業(yè)動(dòng)態(tài) > 一種基于遺傳模糊C-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法與流程

一種基于遺傳模糊C-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法與流程

作者:CEO 時(shí)間:2023-01-08 點(diǎn)擊:0

信息摘要:本發(fā)明屬于暖通空調(diào)與制冷狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域,具體涉及一種基于遺傳模糊c-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法。背景技術(shù):隨著社會(huì)發(fā)展和生產(chǎn)的需要,冷凍除濕機(jī)廣泛應(yīng)用于對(duì)環(huán)境溫濕度有要求的各種場(chǎng)合,如大型倉(cāng)庫(kù)、地下工程、商業(yè)建筑、電子與精密儀器、紡織等領(lǐng)域,

一種基于遺傳模糊C-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法與流程

一種基于遺傳模糊C-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法與流程

  本發(fā)明屬于暖通空調(diào)與制冷狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域,具體涉及一種基于遺傳模糊c-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法。

  背景技術(shù):

  隨著社會(huì)發(fā)展和生產(chǎn)的需要,冷凍除濕機(jī)廣泛應(yīng)用于對(duì)環(huán)境溫濕度有要求的各種場(chǎng)合,如大型倉(cāng)庫(kù)、地下工程、商業(yè)建筑、電子與精密儀器、紡織等領(lǐng)域,其主要作用是降低空氣濕度并對(duì)溫度進(jìn)行一定程度的調(diào)節(jié)。中大型的冷凍除濕機(jī)通常是機(jī)電一體化設(shè)備,主要由制冷、通風(fēng)、調(diào)溫和電控等部分組成,其工作特性具有大慣性、強(qiáng)耦合、非線性和多干擾等特點(diǎn)。對(duì)除濕機(jī)展開狀態(tài)監(jiān)測(cè)不僅能夠幫助我們了解設(shè)備性能退化程度,及時(shí)發(fā)現(xiàn)設(shè)備故障隱患,保障設(shè)備安全可靠運(yùn)行,而且還有助于設(shè)備的優(yōu)化運(yùn)行、對(duì)之實(shí)施節(jié)能控制以及自動(dòng)化管理。從設(shè)備的可靠運(yùn)行與節(jié)能角度來(lái)說(shuō),對(duì)冷凍除濕機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)及其故障診斷有著重要的意義,但是到目前為止有關(guān)除濕機(jī)狀態(tài)監(jiān)測(cè)及其故障診斷的研究應(yīng)用并不多見。

  隨著生產(chǎn)技術(shù)和制造業(yè)的進(jìn)步,電子元器件的制造成本不斷降低,其工作的可靠性也在穩(wěn)步提高。大量廉價(jià)可靠的傳感器和數(shù)據(jù)采集裝置在暖通空調(diào)與制冷系統(tǒng)中得到了應(yīng)用,一是為了實(shí)現(xiàn)自身更好的控制,二是用于自身狀態(tài)的監(jiān)測(cè)。當(dāng)前暖通空調(diào)與制冷領(lǐng)域的故障監(jiān)測(cè)與診斷方法主要分為兩種:一種為基于模型的方法,另一種為基于過(guò)程歷史數(shù)據(jù)的方法,前者的應(yīng)用需要依賴先驗(yàn)知識(shí)建立精確的數(shù)學(xué)或物理模型,后者則主要依賴過(guò)程歷史數(shù)據(jù)進(jìn)行建模,因此從工程實(shí)用的角度來(lái)說(shuō)后者更容易實(shí)現(xiàn)。但基于過(guò)程歷史數(shù)據(jù)的方法又有多類,比如arx黑箱模型方法、bp或rbf人工神經(jīng)網(wǎng)絡(luò)方法、聚類方法等。雖然這些方法在一定程度上取得了較為成功的應(yīng)用,但在某些方面也存在著一些不足,比如arx模型辨識(shí)依賴于經(jīng)驗(yàn)知識(shí),辨識(shí)精度有時(shí)不夠高;bp神經(jīng)網(wǎng)絡(luò)存在局部極小值問(wèn)題,算法有時(shí)并不一定收斂;rbf神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)其網(wǎng)絡(luò)結(jié)構(gòu)和精度需要進(jìn)行折衷。模糊c-均值聚類方法是聚類方法中的一種,由于融合了模糊邏輯,因此更適合應(yīng)用于設(shè)備故障監(jiān)測(cè)與診斷,更主要的是計(jì)算量小,應(yīng)用方便。

  傳統(tǒng)的模糊c-均值聚類方法應(yīng)用時(shí)存在兩個(gè)缺陷:一是初始聚類數(shù)通過(guò)λ-截矩陣分類方法進(jìn)行確定,λ值依靠經(jīng)驗(yàn)人為選取,而不同的λ值又決定不同的聚類數(shù),由此可能會(huì)導(dǎo)致分類出現(xiàn)偏差,進(jìn)而影響其故障監(jiān)測(cè)與診斷應(yīng)用;二是方法通過(guò)迭代爬山算法來(lái)尋找所研究問(wèn)題的最優(yōu)解,是一種局部搜索算法,對(duì)初始化值比較敏感,容易陷入局部極小值。

  技術(shù)實(shí)現(xiàn)要素:

  為解決上述技術(shù)問(wèn)題,本發(fā)明提供了一種基于遺傳模糊c-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法,該方法利用遺傳算法自動(dòng)尋優(yōu)和全局搜索能力一方面可對(duì)模糊c-均值聚類方法中的聚類數(shù)進(jìn)行自動(dòng)選取,另一方面可對(duì)方法的解進(jìn)行全局搜索,以此為基礎(chǔ)實(shí)現(xiàn)除濕機(jī)的狀態(tài)監(jiān)測(cè)。

  本發(fā)明采用如下技術(shù)方案來(lái)實(shí)現(xiàn)的:

  一種基于遺傳模糊c-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法,包括以下步驟:

  1)選擇與設(shè)備運(yùn)行狀態(tài)密切相關(guān)的測(cè)量參數(shù);

  2)通過(guò)實(shí)驗(yàn)與人工模擬設(shè)定除濕機(jī)不同的工作狀態(tài);

  3)選取用于計(jì)算設(shè)備工作狀態(tài)類中心的典型數(shù)據(jù)樣本組;

  4)利用遺傳算法計(jì)算模糊c-均值聚類的初始聚類數(shù),在得到初始聚類數(shù)的情況下,利用遺傳算法計(jì)算模糊c-均值聚類的聚類中心,作為標(biāo)準(zhǔn)的聚類中心,并以該聚類中心作為除濕機(jī)標(biāo)準(zhǔn)工作狀態(tài)類中心;

  5)采集數(shù)據(jù)樣本并計(jì)算與標(biāo)準(zhǔn)聚類中心的貼近度,數(shù)據(jù)樣本由監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)的傳感器獲得,樣本維數(shù)等于傳感器的個(gè)數(shù);

  6)根據(jù)貼近度值判斷由數(shù)據(jù)樣本代表的設(shè)備運(yùn)行狀態(tài),由此實(shí)現(xiàn)設(shè)備狀態(tài)監(jiān)測(cè)。

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟1)中,利用傳感器采集與設(shè)備運(yùn)行狀態(tài)密切相關(guān)的參數(shù)作為一個(gè)數(shù)據(jù)樣本,對(duì)于冷凍除濕機(jī)選擇如下參數(shù):除濕機(jī)進(jìn)風(fēng)溫度、除濕機(jī)出風(fēng)溫度、制冷劑蒸發(fā)溫度、制冷劑冷凝溫度、壓縮機(jī)吸氣溫度、壓縮機(jī)排氣溫度、除濕機(jī)進(jìn)風(fēng)相對(duì)濕度、除濕機(jī)出風(fēng)相對(duì)濕度、壓縮機(jī)吸氣壓力、壓縮機(jī)排氣壓力和壓縮機(jī)功率。

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟2)中,通過(guò)實(shí)驗(yàn)和人工模擬方法設(shè)定除濕機(jī)常見的10種工作狀態(tài),包括:正常狀態(tài)、蒸發(fā)器性能下降、風(fēng)冷冷凝器性能下降、風(fēng)機(jī)風(fēng)量減少、進(jìn)風(fēng)口濾網(wǎng)堵塞、進(jìn)風(fēng)溫度偏低、冷卻水進(jìn)水量過(guò)大、蒸發(fā)器供液量過(guò)大、蒸發(fā)器供液量過(guò)小和制冷劑充注量不足。

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟3)中,對(duì)應(yīng)除濕機(jī)的每種工作狀態(tài),各取q個(gè)數(shù)據(jù)樣本,形成維數(shù)為q×11的數(shù)據(jù)樣本組,q為樣本個(gè)數(shù),11為步驟1)中測(cè)量參數(shù)的個(gè)數(shù)。

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟4)中,每個(gè)類中心對(duì)應(yīng)除濕機(jī)的一種工作狀態(tài),遺傳算法改進(jìn)的模糊c-均值聚類方法計(jì)算過(guò)程分為如下兩步:

  步驟4.1:利用遺傳算法代替λ-截矩陣法實(shí)現(xiàn)模糊c-均值聚類方法初始聚類數(shù)的自動(dòng)優(yōu)選,遺傳解算過(guò)程如下:

  步驟4.1.1:編碼:對(duì)初始聚類數(shù)c進(jìn)行整實(shí)數(shù)編碼,取值范圍為[2,n],其中n為樣本總數(shù);

  步驟4.1.2:生成初始群體:初始群體采取隨機(jī)方式生成,種群規(guī)模為80;

  步驟4.1.3:遺傳操作:遺傳操作包括選擇、交叉和變異及其概率選擇:

  步驟4.1.3.1:選擇

  選擇算子采用聯(lián)賽選擇,規(guī)模為2,同時(shí)采用最佳個(gè)體保留策略;

  步驟4.1.3.2:交叉

  交叉算子采用算術(shù)交叉,其計(jì)算公式為:

  其中,a1′、a2′和a1、a2分別對(duì)應(yīng)交叉前后的個(gè)體,α為一隨機(jī)數(shù),取值范圍0~1;

  步驟4.1.3.3:變異

  變異算子采用非均勻一致變異,其計(jì)算公式為:

  其中,bk為變異位值,bk′為bk變異后的值,dk,max為個(gè)體位最大值,dk,min為個(gè)體位最小值,rd(·)為取整函數(shù),β為[0,1]上的隨機(jī)數(shù);將dk,max-bk和bk-dk,min用y代替,則δ(t,y)表示在[0,y]范圍內(nèi)符合非均勻分布的一個(gè)隨機(jī)數(shù),它隨著進(jìn)化代數(shù)t的增加而以接近于0的概率逐漸增加,其計(jì)算公式為:

  其中,t最大代數(shù),b為確定非均勻度的系統(tǒng)參數(shù);

  步驟4.1.3.4:交叉和變異概率選擇

  交叉和變異概率采用自適應(yīng)方法確定,其計(jì)算公式如下:

  其中,fm為群體中最大的適應(yīng)度值;fa為每代群體的平均適應(yīng)度值;f′為要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值;f為變異個(gè)體的適應(yīng)度值;pc1取0.85,pc2取0.55,pm1取0.15,pm2取0.05;

  步驟4.1.4:適應(yīng)度計(jì)算

  適應(yīng)度函數(shù)設(shè)計(jì)為:

  其中,vi和vk分別表示第i和k個(gè)聚類中心,uij表示第j個(gè)樣本xj隸屬于第i個(gè)類的隸屬度;

  該式的計(jì)算過(guò)程如下:

  (1)生成初始模糊隸屬矩陣u

  uij的計(jì)算公式為:

  uij=[xij-min(xij)]/[max(xij)-min(xij)](7)

  其中,i=1,2,…c,j=1,2,…n;

  (2)計(jì)算聚類中心

  vi或vk的計(jì)算公式為:

  其中,l為迭代次數(shù),l=0,1,2,…;m為給定參數(shù),取值為2;

  (3)對(duì)模糊隸屬度矩陣u進(jìn)行迭代計(jì)算

  將模糊隸屬矩陣更新為計(jì)算公式為:

  (4)迭代終止判定

  給定一個(gè)非常小的正數(shù)ε=10-7,檢驗(yàn)是否滿足||u(l+1)-u(l)||<ε,若滿足,迭代結(jié)束;否則,令l=l+1,回步驟(2)繼續(xù)迭代,最終得到分類矩陣u和聚類中心v,ε取值為10-7;

  步驟4.1.5:遺傳算法終止

  算法在遺傳解算到300代時(shí)終止;

  步驟4.2:根據(jù)已得到的初始聚類數(shù)c,利用遺傳算法代替?zhèn)鹘y(tǒng)的迭代爬山法對(duì)模糊c-均值聚類的聚類中心v進(jìn)行優(yōu)化計(jì)算,遺傳解算過(guò)程如下:

  步驟4.2.1:編碼

  用實(shí)數(shù)方式對(duì)每個(gè)初始聚類中心vi進(jìn)行編碼,范圍為[minxij,maxxij],其中xij為樣本矩陣元素,如果聚類數(shù)為c,樣本維數(shù)為p,則染色體編碼長(zhǎng)度為c×p;

  步驟4.2.2:生成初始群體

  初始群體采取隨機(jī)方式生成,種群規(guī)模為80;

  步驟4.2.3:遺傳操作

  選擇算子采用聯(lián)賽選擇,規(guī)模為2,同時(shí)采用最佳保留策略;交叉算子采用算術(shù)交叉,變異算子采用非均勻一致變異,為能更好地得到全局最優(yōu)解,交叉和變異概率同樣采用前面的自適應(yīng)方法確定;

  步驟4.2.4:適應(yīng)度計(jì)算

  適應(yīng)度函數(shù)設(shè)計(jì)為:

  該式的計(jì)算過(guò)程如下:

  (1)生成初始模糊隸屬矩陣u

  uij的計(jì)算公式為:

  其中,i=1,2,…c,j=1,2,…n,o=1,2,…p;

  (2)聚類中心更新

  vi的初始值由遺傳算法本身生成,迭代計(jì)算時(shí)的更新公式為:

  (3)對(duì)模糊隸屬度矩陣u進(jìn)行迭代計(jì)算

  將模糊隸屬矩陣更新為計(jì)算公式為:

  (4)迭代終止判定

  給定一個(gè)正數(shù)ε=10-7,檢驗(yàn)是否滿足||u(l+1)-u(l)||<ε,若滿足,迭代結(jié)束;否則,令l=l+1,回步驟(2)繼續(xù)迭代;

  步驟4.2.5:遺傳算法終止

  算法在遺傳解算到300代時(shí)終止;至此,就得到一個(gè)優(yōu)化的初始聚類中心v,并以此作為設(shè)備標(biāo)準(zhǔn)的工作狀態(tài)類中心,根據(jù)該中心與實(shí)測(cè)樣本的貼近度來(lái)實(shí)現(xiàn)設(shè)備工作狀態(tài)的判別。

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟5)的具體實(shí)現(xiàn)方法如下:

  如有c個(gè)已知模式v1,v2,…vc和一個(gè)待檢模式x,它們都是論域u上的模糊向量,若有i∈(1,2,…,c),使得

  則稱x與vi最貼近,式中的σ稱為兩個(gè)模糊向量的貼近度,它是對(duì)兩個(gè)向量或集合接近程度的一種度量,這里采用最小最大貼近度法,其計(jì)算公式為:

  本發(fā)明進(jìn)一步的改進(jìn)在于,步驟6)的具體實(shí)現(xiàn)方法如下:

  根據(jù)式(15)的計(jì)算結(jié)果,判斷當(dāng)前實(shí)測(cè)樣本的故障狀態(tài),判斷的依據(jù)為:

  ifsi=max(σ(v,x)),thenx∈i類(16)

  其中,si為貼近度矢量s的第i個(gè)元素,i=1,2,…c,也就是說(shuō)如果樣本x與聚類中心v貼近度s中的第i個(gè)值最大,則該樣本屬于第i類,由此完成對(duì)應(yīng)于該樣本的除濕機(jī)狀態(tài)判斷。

  本發(fā)明具有如下有益的技術(shù)效果:

  本發(fā)明首先選取與設(shè)備運(yùn)行狀態(tài)密切相關(guān)的測(cè)量參數(shù)和模擬設(shè)備不同工況下的工作狀態(tài),并利用傳感器對(duì)這些參數(shù)進(jìn)行采集,以形成不同狀態(tài)下的典型數(shù)據(jù)樣本組;其次利用遺傳算法改進(jìn)的模糊c-均值聚類方法計(jì)算得到數(shù)據(jù)樣本組的聚類中心v;最后通過(guò)傳感器在線實(shí)測(cè)設(shè)備運(yùn)行數(shù)據(jù)與標(biāo)準(zhǔn)聚類中心貼近度的大小來(lái)監(jiān)測(cè)和判斷除濕機(jī)運(yùn)行狀態(tài)。遺傳算法改進(jìn)的模糊c-均值聚類方法分為兩步:首先應(yīng)用遺傳算法對(duì)模糊c-均值聚類的初始聚類數(shù)c進(jìn)行自動(dòng)優(yōu)選,以減少傳統(tǒng)選取方法中對(duì)專家知識(shí)的依賴;其次利用遺傳算法對(duì)數(shù)據(jù)樣本組的聚類中心v進(jìn)行優(yōu)化計(jì)算,以減少傳統(tǒng)求解方法中存在的局部極小值問(wèn)題。

  與現(xiàn)有技術(shù)相比,本發(fā)明可以自動(dòng)實(shí)現(xiàn)設(shè)備狀態(tài)監(jiān)測(cè);應(yīng)用遺傳算法對(duì)模糊c-均值聚類方法改進(jìn)后,既可以自動(dòng)優(yōu)選初始聚類數(shù),又可以優(yōu)化標(biāo)準(zhǔn)聚類中心;通過(guò)實(shí)測(cè)設(shè)備運(yùn)行樣本與標(biāo)準(zhǔn)聚類中心貼近度來(lái)對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行判斷,從而減少了人為主觀因素,提高了判斷設(shè)備運(yùn)行狀態(tài)的科學(xué)性。本發(fā)明從提高模糊c-均值聚類方法的可操作性、準(zhǔn)確性、科學(xué)性和魯棒性入手,來(lái)獲取在除濕機(jī)狀態(tài)監(jiān)測(cè)中更好的應(yīng)用效果,具有明顯的推廣和工程應(yīng)用價(jià)值。

  附圖說(shuō)明

  圖1為本發(fā)明的流程圖。

  具體實(shí)施方式

  以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做出進(jìn)一步的說(shuō)明。

  如圖1所示,本發(fā)明提供的一種基于遺傳模糊c-均值聚類的冷凍除濕機(jī)狀態(tài)監(jiān)測(cè)方法,包括以下步驟:

  步驟1:利用傳感器采集與設(shè)備運(yùn)行狀態(tài)密切相關(guān)的參數(shù)作為一個(gè)數(shù)據(jù)樣本,對(duì)于冷凍除濕機(jī)選擇如下參數(shù):除濕機(jī)進(jìn)風(fēng)溫度、除濕機(jī)出風(fēng)溫度、制冷劑蒸發(fā)溫度、制冷劑冷凝溫度、壓縮機(jī)吸氣溫度、壓縮機(jī)排氣溫度、除濕機(jī)進(jìn)風(fēng)相對(duì)濕度(rh)、除濕機(jī)出風(fēng)相對(duì)濕度(rh)、壓縮機(jī)吸氣壓力、壓縮機(jī)排氣壓力和壓縮機(jī)功率,共11個(gè)參數(shù);

  步驟2:通過(guò)實(shí)驗(yàn)和人工模擬方法設(shè)定除濕機(jī)常見的10種工作狀態(tài),包括:正常狀態(tài)、蒸發(fā)器性能下降、風(fēng)冷冷凝器性能下降、風(fēng)機(jī)風(fēng)量減少、進(jìn)風(fēng)口濾網(wǎng)堵塞、進(jìn)風(fēng)溫度偏低、冷卻水進(jìn)水量過(guò)大、蒸發(fā)器供液量過(guò)大、蒸發(fā)器供液量過(guò)小和制冷劑充注量不足;

  步驟3:對(duì)應(yīng)除濕機(jī)的每種工作狀態(tài),各取q個(gè)數(shù)據(jù)樣本,形成維數(shù)為q×11的數(shù)據(jù)樣本組,q為樣本個(gè)數(shù)(這里取值為20),11為步驟1中測(cè)量參數(shù)的個(gè)數(shù);

  步驟4:以選取的數(shù)據(jù)樣本組為基礎(chǔ),應(yīng)用基于遺傳算法改進(jìn)的模糊c-均值聚類方法計(jì)算數(shù)據(jù)樣本組的聚類中心,并以該聚類中心作為除濕機(jī)標(biāo)準(zhǔn)工作狀態(tài)類中心,每個(gè)類中心對(duì)應(yīng)除濕機(jī)的一種工作狀態(tài);遺傳算法改進(jìn)的模糊c-均值聚類方法計(jì)算過(guò)程分為如下兩步:

  步驟4.1:利用遺傳算法代替λ-截矩陣法實(shí)現(xiàn)模糊c-均值聚類方法初始聚類數(shù)的自動(dòng)優(yōu)選,以提高初始聚類數(shù)選擇的科學(xué)性,減少對(duì)專家經(jīng)驗(yàn)知識(shí)的依賴,遺傳解算過(guò)程如下:

  步驟4.1.1:編碼:對(duì)初始聚類數(shù)c進(jìn)行整實(shí)數(shù)編碼,取值范圍為[2,n],其中n為樣本總數(shù);

  步驟4.1.2:生成初始群體:初始群體采取隨機(jī)方式生成,種群規(guī)模為80;

  步驟4.1.3:遺傳操作:遺傳操作包括選擇、交叉和變異及其概率選擇:

  步驟4.1.3.1:選擇

  選擇算子采用聯(lián)賽選擇,規(guī)模為2,同時(shí)采用最佳個(gè)體保留策略;聯(lián)賽選擇方法的基本思想是從群體中隨機(jī)選擇一定數(shù)目(聯(lián)賽規(guī)模)的個(gè)體,其中適應(yīng)度最高的個(gè)體保存到下一代,這一過(guò)程多次執(zhí)行,直到保存到下一代的個(gè)體數(shù)目達(dá)到種群規(guī)模為止;最佳保留策略就是把群體中適應(yīng)度最高的個(gè)體直接復(fù)制到下一代,不參加交叉和變異遺傳操作,由此可延長(zhǎng)部分染色體的生存壽命,避免最佳個(gè)體被遺傳運(yùn)算所破壞,既可保證方法的收斂性,又能使優(yōu)良基因不至于過(guò)早丟失;

  步驟4.1.3.2:交叉

  交叉算子采用算術(shù)交叉,其計(jì)算公式為:

  其中,a1′、a2′和a1、a2分別對(duì)應(yīng)交叉前后的個(gè)體,α為一隨機(jī)數(shù),取值范圍0~1;

  步驟4.1.3.3:變異

  變異算子采用非均勻一致變異,其計(jì)算公式為:

  其中,bk為變異位值,bk′為bk變異后的值,dk,max為個(gè)體位最大值,dk,min為個(gè)體位最小值,rd(·)為取整函數(shù),β為[0,1]上的隨機(jī)數(shù);將dk,max-bk和bk-dk,min用y代替,則δ(t,y)表示在[0,y]范圍內(nèi)符合非均勻分布的一個(gè)隨機(jī)數(shù),它隨著進(jìn)化代數(shù)t的增加而以接近于0的概率逐漸增加,其計(jì)算公式為:

  其中,t最大代數(shù),b為確定非均勻度的系統(tǒng)參數(shù);

  步驟4.1.3.4:交叉和變異概率選擇

  為能更好地得到全局最優(yōu)解,交叉和變異概率采用自適應(yīng)方法確定,其計(jì)算公式如下:

  其中,fm為群體中最大的適應(yīng)度值;fa為每代群體的平均適應(yīng)度值;f′為要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值;f為變異個(gè)體的適應(yīng)度值;pc1取0.85,pc2取0.55,pm1取0.15,pm2取0.05。

  步驟4.1.4:適應(yīng)度計(jì)算

  適應(yīng)度函數(shù)設(shè)計(jì)為:

  其中,vi和vk分別表示第i和k個(gè)聚類中心,uij表示第j個(gè)樣本xj隸屬于第i個(gè)類的隸屬度。

  該式的計(jì)算過(guò)程如下:

  (1)生成初始模糊隸屬矩陣u

  uij的計(jì)算公式為:

  uij=[xij-min(xij)]/[max(xij)-min(xij)](7)

  其中,i=1,2,…c,j=1,2,…n。

  (2)計(jì)算聚類中心

  vi或vk的計(jì)算公式為:

  其中,l為迭代次數(shù),l=0,1,2,…;m為給定參數(shù),這里取值為2。

  (3)對(duì)模糊隸屬度矩陣u進(jìn)行迭代計(jì)算

  將模糊隸屬矩陣更新為計(jì)算公式為:

  (4)迭代終止判定

  給定一個(gè)非常小的正數(shù)ε=10-7,檢驗(yàn)是否滿足||u(l+1)-u(l)||<ε,若滿足,迭代結(jié)束;否則,令l=l+1,回步驟(2)繼續(xù)迭代,最終得到分類矩陣u和聚類中心v,這里ε取值為10-7。

  步驟4.1.5:遺傳算法終止

  算法在遺傳解算到300代時(shí)終止;

  步驟4.2:根據(jù)已得到的初始聚類數(shù)c,利用遺傳算法代替?zhèn)鹘y(tǒng)的迭代爬山法對(duì)模糊c-均值聚類的聚類中心v進(jìn)行優(yōu)化計(jì)算,以克服原求解方法容易出現(xiàn)的局部極小值問(wèn)題,遺傳解算過(guò)程如下:

  步驟4.2.1:編碼

  用實(shí)數(shù)方式對(duì)每個(gè)初始聚類中心vi進(jìn)行編碼,范圍為[minxij,maxxij],其中xij為樣本矩陣元素。如果聚類數(shù)為c,樣本維數(shù)為p,則染色體編碼長(zhǎng)度為c×p;

  步驟4.2.2:生成初始群體

  初始群體采取隨機(jī)方式生成,種群規(guī)模為80;

  步驟4.2.3:遺傳操作

  選擇算子采用聯(lián)賽選擇,規(guī)模為2,同時(shí)采用最佳保留策略;交叉算子采用算術(shù)交叉,變異算子采用非均勻一致變異,為能更好地得到全局最優(yōu)解,交叉和變異概率同樣采用前面的自適應(yīng)方法確定;

  步驟4.2.4:適應(yīng)度計(jì)算

  適應(yīng)度函數(shù)設(shè)計(jì)為:

  該式的計(jì)算過(guò)程如下:

  (1)生成初始模糊隸屬矩陣u

  uij的計(jì)算公式為:

  其中,i=1,2,…c,j=1,2,…n,o=1,2,…p。

  (2)聚類中心更新

  vi的初始值由遺傳算法本身生成,迭代計(jì)算時(shí)的更新公式為:

  (3)對(duì)模糊隸屬度矩陣u進(jìn)行迭代計(jì)算

  將模糊隸屬矩陣更新為計(jì)算公式為:

  (4)迭代終止判定

  給定一個(gè)非常小的正數(shù)ε=10-7,檢驗(yàn)是否滿足||u(l+1)-u(l)||<ε,若滿足,迭代結(jié)束;否則,令l=l+1,回步驟(2)繼續(xù)迭代。

  步驟4.2.5:遺傳算法終止

  算法在遺傳解算到300代時(shí)終止;至此,就可以得到一個(gè)優(yōu)化的初始聚類中心v,并以此作為設(shè)備標(biāo)準(zhǔn)的工作狀態(tài)類中心,根據(jù)該中心與實(shí)測(cè)樣本的貼近度來(lái)實(shí)現(xiàn)設(shè)備工作狀態(tài)的判別;

  步驟5:計(jì)算貼近度

  如有c個(gè)已知模式v1,v2,…vc和一個(gè)待檢模式x,它們都是論域u上的模糊向量,若有i∈(1,2,…,c),使得

  則稱x與vi最貼近,式中的σ稱為兩個(gè)模糊向量的貼近度,它是對(duì)兩個(gè)向量或集合接近程度的一種度量,這里采用最小最大貼近度法,其計(jì)算公式為:

  步驟6:判別設(shè)備運(yùn)行狀態(tài)

  根據(jù)式(15)的計(jì)算結(jié)果,判斷當(dāng)前實(shí)測(cè)樣本的故障狀態(tài)。判斷的依據(jù)為:

  ifsi=max(σ(v,x)),thenx∈i類(16)

  其中,si為貼近度矢量s的第i個(gè)元素,i=1,2,…c,也就是說(shuō)如果樣本x與聚類中心v貼近度s中的第i個(gè)值最大,則該樣本屬于第i類,由此完成對(duì)應(yīng)于該樣本的除濕機(jī)狀態(tài)判斷。

  實(shí)施例:

  現(xiàn)以cftz-21型冷凍式調(diào)溫型除濕機(jī)為例進(jìn)行說(shuō)明,通過(guò)實(shí)驗(yàn)和數(shù)據(jù)采集裝置可得到除濕機(jī)10種工作狀態(tài)下的數(shù)據(jù),其中1種為正常工作狀態(tài);其余9種為性能下降狀態(tài),分別對(duì)應(yīng)蒸發(fā)器性能下降20%、風(fēng)冷冷凝器性能下降20%、風(fēng)機(jī)風(fēng)量減少10%、進(jìn)風(fēng)口濾網(wǎng)堵塞30%、進(jìn)風(fēng)溫度為16℃、進(jìn)水量比正常值多30%、蒸發(fā)器供液量比正常值多10%、蒸發(fā)器供液量比正常值少10%和制冷劑充注量比正常值少20%。通過(guò)本發(fā)明的遺傳模糊c-均值聚類方法步驟可先后得到初始聚類數(shù)和聚類中心,并將該聚類中心作為標(biāo)準(zhǔn)的聚類中心,如表1所示。

  表1標(biāo)準(zhǔn)聚類中心

  得到聚類中心后,任取兩個(gè)除濕機(jī)當(dāng)前運(yùn)行狀態(tài)下的樣本:

  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)

  與表1中的聚類中心進(jìn)行最大最小進(jìn)行貼近度計(jì)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].

  根據(jù)式(16)的判斷規(guī)則,可判定樣本x1屬于第1類,樣本x2屬于第6類,分別對(duì)應(yīng)于除濕機(jī)的正常工作和進(jìn)風(fēng)溫度過(guò)低狀態(tài),即完成了除濕機(jī)當(dāng)前運(yùn)行狀態(tài)的判斷。

在線客服
聯(lián)系方式

熱線電話

133-6050-3273

上班時(shí)間

周一到周六

公司電話

133-6050-3273

二維碼