[发明专利]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

说明书

本发明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。

技术领域

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。

发明内容

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；