[发明专利]一种基于特征提取与模糊C均值聚类的燃烧监测与诊断的方法

说明书

技术领域

本发明涉及一种燃烧工况监测方法，尤其涉及FCM聚类方法和模糊模式识别，属于机器学习建模领域。

背景技术

聚类分析是多元统计分析的一种，也是非监督模式识别的重要分支。聚类是一个把事物进行区分和归类的过程，在这个过程中，没有跟分类有关的先验知识，事物之间的内在相似性是类属划分的唯一准则。因此，作为一种无监督的分类方法，它按照某种准则把一个没有类别标记的样本集分成若干类，尽可能使相似的样本聚集为一类，不相似的样本聚集到不同类。聚类分析分为传统聚类和模糊聚类两大类。传统的聚类分析是一种硬划分，把待识别的对象严格划分为某一类，具有非此即彼的性质。但是在实际情况下，很多对象并不具有严格的属性，它们在形态和类属方面存在着中介性，需要进行软划分。

电站锅炉燃烧状况的好坏，直接影响到锅炉的安全和经济运行，燃烧不稳定不仅会降低锅炉热效率，在极端的情况下还可能引起炉膛灭火，因此需要通过火焰检测来判断燃烧是否稳定。常规的火焰检测装置只能对火焰的“有”、“无”进行判断，缺乏燃烧诊断功能。因此，对火检信号的提取，以及火检信号的特征分析咋在燃烧诊断中其重要作用。

近年来，不少学者也已从不同的角度研究了锅炉燃烧稳定性判别的问题，并取得了一定成果。但是由于锅炉燃烧的复杂性和多变性，还需要针对燃烧诊断开展进一步的研究工作。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于特征提取与模糊C均值聚类的燃烧监测与诊断的方法。

技术方案：为解决上述技术问题，本发明提供的一种基于特征提取与模糊C均值聚类的燃烧监测与诊断的方法，首先采用时、频域统计分析和信息熵分析技术提取火检信号中反映燃烧状况的火焰特征量，再利用模糊C均值聚类算法对火焰特征量进行FCM聚类分析，再通过模糊模式识别计算模糊燃烧指数。

上述具体步骤为

1、经由数据输入接口获得不同燃烧工况（好，中，差）下对应的火检信号，并计算其方差(Var)、偏度(Ske)、峭度(Kur)、形状因子(SF)、奇异谱熵(H_t)、功率谱熵(H_f)、小波能谱熵(H_w)。

2、FCM聚类分析步骤为：采用模糊C均值聚类算法确定每个数据点属于某个聚类的程度，在FCM聚类算法中，它将有限个样本集x＝{x₁,x₂,…x_n}，x_i＝{Var,Ske,Kur,SF,H_t,H_f,H_w,燃烧工况}划分为l类（2≤l≤n)，任一样本点不会严

格划分为某一类，而是以一定的隶属度属于l个不同域。