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与流程_重复

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与流程_重复

　　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。

　　技术实现要素：

　　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：

　　ifsi＝max(σ(v,x))，thenx∈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：

　　ifsi＝max(σ(v,x))，thenx∈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。