[发明专利]基于数据变化特征模糊度量的热量表性能退化评估方法

权利要求书

1.基于数据变化特征模糊度量的热量表性能退化评估方法，其特征在于，包括以下步骤：

Q1、基于热量表性能退化数据X＝(X1，X2)，包括正常状态X1和失效状态X2两部分数据，构建热量表性能退化特征集Ts，使用多指标筛选的方法得到表征热量表状态的最优特征集Tb，具体为：

Q101、设X＝(X1，X2)是热量表性能退化数据，依据时域和经验模态分解理论，构建表征热量表性能退化的特征集Ts；

Q102、利用趋势性、鲁棒性与敏感性3个指标，进行热量表特征的筛选，得到表征热量表状态的最优特征集Tb；

Q2、基于最优特征集Tb构建样本，利用密度次胜者受罚的竞争学习理论，输入热量表性能退化数据X，分别获取X1、X2两种状态的聚类个数集S1＝{S11，S12}与初始聚类中心集S2＝{S21，S22}，实现正常状态与失效状态数据变化特征的初始分析，具体为：

Q201、设Y＝{y₁,…，y_k,y_M}为待分析的热量表状态数据集，M为集合中元素的总数，集合Y的第k个元素y_k是q维矢量，y_k＝{y_k1,…,y_kq}，随机选择p个样本作为初始权值矢量w_i,i＝1,2...p，计算每个样本的密度分布m(y)，设置最大迭代次数T，令t＝1，去除冗余类的阈值δ；

Q202、随机从数据Y中选取y_k作为输入，w_c表示获胜的权值矢量，w_r表示次胜的权值矢量，令：定义1样本数据y＝{y₁,...,y_q}与x＝{x₁,...,x_q}的距离表示为：

定义2样本数据y_k的基于密度调整系数m(y_k)表示为：

m(y_k)＝exp(-v(y_k))

Q203、更新修改权值矢量如下：

w_i＝w_i+Δw_i

其中，a_c表示获胜权值矢量的学习率，a_r表示次胜权重矢量的惩罚率，且0≤a_r＜＜a_c＜1；

Q204、t＝t+1，如果t＜T，则转步骤Q202，直到t＝T；

Q205、将样本分配到距离最近的权值矢量对应的类簇；

Q206、统计每个类簇的样本数目，假如某类簇的样本数目与样本总数的比值小于阈值δ，则作为冗余类去掉；

Q207、得到聚类数目和初始聚类中心，实现数据分布的初始分析；

Q3、基于热量表正常状态和失效状态的聚类个数集S1与初始聚类中心集S2，利用模糊C均值聚类算法，分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4，作为热量表性能退化评价基准；

Q4、基于待测热量表当前状态样本Xt，构建当前状态到正常状态X1聚类中心集的最小偏离系数D_normal和到失效状态X2聚类中心集的最小偏离系数D_Invalid，实现当前状态分别于正常状态、失效状态的偏离程度表征，具体为：

Q401、设热量表当前状态样本Xt，基于热量表性能退化评价基准S3和S4，正常状态的聚类中心集合S₃，s_3i是S₃的第i个聚类中心，i＝1,...,c₁，c₁是正常状态聚类数目；失效状态的聚类中心集合S₄，s_4m是S₄的第m个聚类中心m＝1,...,c₂，c₂是失效状态聚类数目；计算正常状态的聚类中心集合S₃的各个聚类中心的距离失效状态的聚类中心集合S₄的各个聚类中心的距离

Q402、计算正常状态的聚类中心集合S₃的各个聚类中心的距离最小值d_3(min)，到失效状态的聚类中心集合S₄的各个聚类中心的距离最小值d_4(min)，作为最小偏离系数表征偏离程度，实现当前状态分别于正常状态、失效状态的偏离程度表征；

Q5、基于偏离系数D_normal和D_Invalid，构建模糊隶属度模型，即求取当前状态样本Xt属于正常状态X1的隶属度作为退化指标，实现对热量表性能退化的有效分析。