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

本发明专利技术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。

A condition monitoring method for freezing Dehumidifier Based on Genetic Fuzzy C-means clustering

The invention discloses a condition monitoring method of a freezing Dehumidifier Based on Genetic Fuzzy C_means clustering, which includes the selection of measuring parameters of equipment, simulation of working conditions, collection of data samples, calculation of standard class centers and judgment of state, thereby realizing the condition monitoring of a dehumidifier. In the process of calculating the standard class center, the improved fuzzy C_means clustering method based on genetic algorithm is used. The improvement is mainly embodied in two aspects: on the one hand, the genetic algorithm is used to automatically calculate the initial clustering number of fuzzy C_means clustering, which replaces the traditional manual selection method, reduces the influence of subjective factors, and improves the accuracy and science of clustering number selection. On the other hand, when the number of clusters is obtained, the genetic algorithm is used to calculate the clustering center to get the global optimal solution, which overcomes the problem that the traditional fuzzy C_means clustering solution is sensitive to the initial value and easy to fall into the local minimum.

【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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。
技术实现思路
为解决上述技术问题，本专利技术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。本专利技术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。本专利技术进一步的改进在于，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。本专利技术进一步的改进在于，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。本专利技术进一步的改进在于，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。本专利技术进一步的改进在于，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Uuij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，本文档来自技高网...

【技术保护点】
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；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。

【技术特征摘要】
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；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。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。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。4.根据权利要求3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。5.根据权利要求4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，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...

【专利技术属性】
技术研发人员：高运广，马长林，李锋，李辉，杜文正，郝琳，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：陕西,61