[发明专利]一种基于Canopy＋FCM聚类的设备故障率模糊分类方法

权利要求书

1.一种基于Canopy+FCM聚类的设备故障率模糊分类方法，将具有相同或相似特性的设备归为一类，类内采用同一故障率；其特征在于，包含以下步骤：

S1.对数据进行预处理，采用Canopy聚类对故障率影响因素集数据进行粗聚类，确定聚类数和各聚类中心；

S2.将步骤S1中的聚类结果作为FCM聚类算法的输入，进行第二次模糊聚类；

S3.根据给定的故障率与各因素之间的分布模型，将聚类结果中各聚类中心代入，求得每一类设备的故障率。

2.根据权利要求1所述的一种基于Canopy+FCM聚类的设备故障率模糊分类方法，其特征在于，所述的步骤S1中，采用canopy聚类算法进行粗聚类，确定聚类数和其聚类中心，增加聚类结果的客观性；

为了避免各因素间单位和量级的差异性，采用下列式子对故障因素集数据C采用进行预处理：标准化以消除量纲的影响；

首先将数据集进行标准差变换消除量纲的影响：

式中：x_ik为第i组数据的第k个因素；

其次进行极差变换使原始数据集标准化：

设立阈值T₁和T₂，任选一组数据作为第一个canopy，并计算其余每组数据x_i和canopy(j)的欧氏距离dist(i,j)；

判断dist(i,j)与阈值T₁和T₂的关系，若dist(i,j)＜T₂成立，则将数据组x_i划入canopy(j)类中；若dist(i,j)＞T₁成立，则将数据组x_i视为一个新的canopy；若dist(i,j)＜T₁，且当数据组x_i与所有canopy的欧氏距离计算完毕后仍然大于T₂，即仍未加入任何一个canopy，则将该数据组x_i视为一个新的canopy。

3.根据权利要求1所述的一种基于Canopy+FCM聚类的设备故障率模糊分类方法，其特征在于，所述的步骤S2中FCM模糊聚类的初始聚类数和聚类中心由步骤S1中的canopy算法运行结果确定而不是人为设定，进行二重聚类。

4.根据权利要求1所述的一种基于Canopy+FCM聚类的设备故障率模糊分类方法，其特征在于，所述的步骤S3中将二重聚类中心代入到故障率的分布模型中，计算出相应的故障率，并将其作为每一类的故障率代表值。