一種基于遺傳模糊C-均值聚類的冷凍除濕機狀態監測方法與流程
本發明屬于暖通空調與制冷狀態監測與故障診斷領域，具體涉及一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態監測方法。
背景技術：
隨著社會發展和生產的需要，冷凍除濕機廣泛應用于對環境溫濕度有要求的各種場合，如大型倉庫、地下工程、商業建筑、電子與精密儀器、紡織等領域，其主要作用是降低空氣濕度并對溫度進行一定程度的調節。中大型的冷凍除濕機通常是機電一體化設備，主要由制冷、通風、調溫和電控等部分組成，其工作特性具有大慣性、強耦合、非線性和多干擾等特點。對除濕機展開狀態監測不僅能夠幫助我們了解設備性能退化程度，及時發現設備故障隱患，保障設備安全可靠運行，而且還有助于設備的優化運行、對之實施節能控制以及自動化管理。從設備的可靠運行與節能角度來說，對冷凍除濕機進行狀態監測及其故障診斷有著重要的意義，但是到目前為止有關除濕機狀態監測及其故障診斷的研究應用并不多見。
隨著生產技術和制造業的進步，電子元器件的制造成本不斷降低，其工作的可靠性也在穩步提高。大量廉價可靠的傳感器和數據采集裝置在暖通空調與制冷系統中得到了應用，一是為了實現自身更好的控制，二是用于自身狀態的監測。當前暖通空調與制冷領域的故障監測與診斷方法主要分為兩種：一種為基于模型的方法，另一種為基于過程歷史數據的方法，前者的應用需要依賴先驗知識建立精確的數學或物理模型，后者則主要依賴過程歷史數據進行建模，因此從工程實用的角度來說后者更容易實現。但基于過程歷史數據的方法又有多類，比如arx黑箱模型方法、bp或rbf人工神經網絡方法、聚類方法等。雖然這些方法在一定程度上取得了較為成功的應用，但在某些方面也存在著一些不足，比如arx模型辨識依賴于經驗知識，辨識精度有時不夠高；bp神經網絡存在局部極小值問題，算法有時并不一定收斂；rbf神經網絡在訓練時其網絡結構和精度需要進行折衷。模糊c-均值聚類方法是聚類方法中的一種，由于融合了模糊邏輯，因此更適合應用于設備故障監測與診斷，更主要的是計算量小，應用方便。
傳統的模糊c-均值聚類方法應用時存在兩個缺陷：一是初始聚類數通過λ-截矩陣分類方法進行確定，λ值依靠經驗人為選取，而不同的λ值又決定不同的聚類數，由此可能會導致分類出現偏差，進而影響其故障監測與診斷應用；二是方法通過迭代爬山算法來尋找所研究問題的最優解，是一種局部搜索算法，對初始化值比較敏感，容易陷入局部極小值。
技術實現要素：
為解決上述技術問題，本發明提供了一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態監測方法，該方法利用遺傳算法自動尋優和全局搜索能力一方面可對模糊c-均值聚類方法中的聚類數進行自動選取，另一方面可對方法的解進行全局搜索，以此為基礎實現除濕機的狀態監測。
本發明采用如下技術方案來實現的：
一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態監測方法，包括以下步驟：
1)選擇與設備運行狀態密切相關的測量參數；
2)通過實驗與人工模擬設定除濕機不同的工作狀態；
3)選取用于計算設備工作狀態類中心的典型數據樣本組；
4)利用遺傳算法計算模糊c-均值聚類的初始聚類數，在得到初始聚類數的情況下，利用遺傳算法計算模糊c-均值聚類的聚類中心，作為標準的聚類中心，并以該聚類中心作為除濕機標準工作狀態類中心；
5)采集數據樣本并計算與標準聚類中心的貼近度，數據樣本由監測設備運行狀態的傳感器獲得，樣本維數等于傳感器的個數；
6)根據貼近度值判斷由數據樣本代表的設備運行狀態，由此實現設備狀態監測。
本發明進一步的改進在于，步驟1)中，利用傳感器采集與設備運行狀態密切相關的參數作為一個數據樣本，對于冷凍除濕機選擇如下參數：除濕機進風溫度、除濕機出風溫度、制冷劑蒸發溫度、制冷劑冷凝溫度、壓縮機吸氣溫度、壓縮機排氣溫度、除濕機進風相對濕度、除濕機出風相對濕度、壓縮機吸氣壓力、壓縮機排氣壓力和壓縮機功率。
本發明進一步的改進在于，步驟2)中，通過實驗和人工模擬方法設定除濕機常見的10種工作狀態，包括：正常狀態、蒸發器性能下降、風冷冷凝器性能下降、風機風量減少、進風口濾網堵塞、進風溫度偏低、冷卻水進水量過大、蒸發器供液量過大、蒸發器供液量過小和制冷劑充注量不足。
本發明進一步的改進在于，步驟3)中，對應除濕機的每種工作狀態，各取q個數據樣本，形成維數為q×11的數據樣本組，q為樣本個數，11為步驟1)中測量參數的個數。
本發明進一步的改進在于，步驟4)中，每個類中心對應除濕機的一種工作狀態，遺傳算法改進的模糊c-均值聚類方法計算過程分為如下兩步：
步驟4.1：利用遺傳算法代替λ-截矩陣法實現模糊c-均值聚類方法初始聚類數的自動優選，遺傳解算過程如下：
步驟4.1.1：編碼：對初始聚類數c進行整實數編碼，取值范圍為[2,n]，其中n為樣本總數；
步驟4.1.2：生成初始群體：初始群體采取隨機方式生成，種群規模為80；
步驟4.1.3：遺傳操作：遺傳操作包括選擇、交叉和變異及其概率選擇：
步驟4.1.3.1：選擇
選擇算子采用聯賽選擇，規模為2，同時采用最佳個體保留策略；
步驟4.1.3.2：交叉
交叉算子采用算術交叉，其計算公式為：
其中，a1′、a2′和a1、a2分別對應交叉前后的個體，α為一隨機數，取值范圍0～1；
步驟4.1.3.3：變異
變異算子采用非均勻一致變異，其計算公式為：
其中，bk為變異位值，bk′為bk變異后的值，dk,max為個體位最大值，dk,min為個體位最小值，rd(·)為取整函數，β為[0,1]上的隨機數；將dk,max-bk和bk-dk,min用y代替，則δ(t,y)表示在[0,y]范圍內符合非均勻分布的一個隨機數，它隨著進化代數t的增加而以接近于0的概率逐漸增加，其計算公式為：
其中，t最大代數，b為確定非均勻度的系統參數；
步驟4.1.3.4：交叉和變異概率選擇
交叉和變異概率采用自適應方法確定，其計算公式如下：
其中，fm為群體中最大的適應度值；fa為每代群體的平均適應度值；f′為要交叉的兩個個體中較大的適應度值；f為變異個體的適應度值；pc1取0.85，pc2取0.55，pm1取0.15，pm2取0.05；
步驟4.1.4：適應度計算
適應度函數設計為：
其中，vi和vk分別表示第i和k個聚類中心，uij表示第j個樣本xj隸屬于第i個類的隸屬度；
該式的計算過程如下：
(1)生成初始模糊隸屬矩陣u
uij的計算公式為：
uij＝[xij-min(xij)]/[max(xij)-min(xij)](7)
其中，i＝1,2,…c，j＝1,2,…n；
(2)計算聚類中心
vi或vk的計算公式為：
其中，l為迭代次數，l＝0,1,2,…；m為給定參數，取值為2；
(3)對模糊隸屬度矩陣u進行迭代計算
將模糊隸屬矩陣更新為計算公式為：
(4)迭代終止判定
給定一個非常小的正數ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結束；否則，令l＝l+1，回步驟(2)繼續迭代，最終得到分類矩陣u和聚類中心v，ε取值為10-7；
步驟4.1.5：遺傳算法終止
算法在遺傳解算到300代時終止；
步驟4.2：根據已得到的初始聚類數c，利用遺傳算法代替傳統的迭代爬山法對模糊c-均值聚類的聚類中心v進行優化計算，遺傳解算過程如下：
步驟4.2.1：編碼
用實數方式對每個初始聚類中心vi進行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素，如果聚類數為c，樣本維數為p，則染色體編碼長度為c×p；
步驟4.2.2：生成初始群體
初始群體采取隨機方式生成，種群規模為80；
步驟4.2.3：遺傳操作
選擇算子采用聯賽選擇，規模為2，同時采用最佳保留策略；交叉算子采用算術交叉，變異算子采用非均勻一致變異，為能更好地得到全局最優解，交叉和變異概率同樣采用前面的自適應方法確定；
步驟4.2.4：適應度計算
適應度函數設計為：
該式的計算過程如下：
(1)生成初始模糊隸屬矩陣u
uij的計算公式為：
其中，i＝1,2,…c，j＝1,2,…n，o＝1,2,…p；
(2)聚類中心更新
vi的初始值由遺傳算法本身生成，迭代計算時的更新公式為：
(3)對模糊隸屬度矩陣u進行迭代計算
將模糊隸屬矩陣更新為計算公式為：
(4)迭代終止判定
給定一個正數ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結束；否則，令l＝l+1，回步驟(2)繼續迭代；
步驟4.2.5：遺傳算法終止
算法在遺傳解算到300代時終止；至此，就得到一個優化的初始聚類中心v，并以此作為設備標準的工作狀態類中心，根據該中心與實測樣本的貼近度來實現設備工作狀態的判別。
本發明進一步的改進在于，步驟5)的具體實現方法如下：
如有c個已知模式v1,v2,…vc和一個待檢模式x，它們都是論域u上的模糊向量，若有i∈(1,2,…,c)，使得
則稱x與vi最貼近，式中的σ稱為兩個模糊向量的貼近度，它是對兩個向量或集合接近程度的一種度量，這里采用最小最大貼近度法，其計算公式為：
本發明進一步的改進在于，步驟6)的具體實現方法如下：
根據式(15)的計算結果，判斷當前實測樣本的故障狀態，判斷的依據為：
ifsi＝max(σ(v,x))，thenx∈i類(16)
其中，si為貼近度矢量s的第i個元素，i＝1,2,…c，也就是說如果樣本x與聚類中心v貼近度s中的第i個值最大，則該樣本屬于第i類，由此完成對應于該樣本的除濕機狀態判斷。
本發明具有如下有益的技術效果：
本發明首先選取與設備運行狀態密切相關的測量參數和模擬設備不同工況下的工作狀態，并利用傳感器對這些參數進行采集，以形成不同狀態下的典型數據樣本組；其次利用遺傳算法改進的模糊c-均值聚類方法計算得到數據樣本組的聚類中心v；最后通過傳感器在線實測設備運行數據與標準聚類中心貼近度的大小來監測和判斷除濕機運行狀態。遺傳算法改進的模糊c-均值聚類方法分為兩步：首先應用遺傳算法對模糊c-均值聚類的初始聚類數c進行自動優選，以減少傳統選取方法中對專家知識的依賴；其次利用遺傳算法對數據樣本組的聚類中心v進行優化計算，以減少傳統求解方法中存在的局部極小值問題。
與現有技術相比，本發明可以自動實現設備狀態監測；應用遺傳算法對模糊c-均值聚類方法改進后，既可以自動優選初始聚類數，又可以優化標準聚類中心；通過實測設備運行樣本與標準聚類中心貼近度來對設備運行狀態進行判斷，從而減少了人為主觀因素，提高了判斷設備運行狀態的科學性。本發明從提高模糊c-均值聚類方法的可操作性、準確性、科學性和魯棒性入手，來獲取在除濕機狀態監測中更好的應用效果，具有明顯的推廣和工程應用價值。
附圖說明
圖1為本發明的流程圖。
具體實施方式
以下結合附圖和實施例對本發明做出進一步的說明。
如圖1所示，本發明提供的一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態監測方法，包括以下步驟：
步驟1：利用傳感器采集與設備運行狀態密切相關的參數作為一個數據樣本，對于冷凍除濕機選擇如下參數：除濕機進風溫度、除濕機出風溫度、制冷劑蒸發溫度、制冷劑冷凝溫度、壓縮機吸氣溫度、壓縮機排氣溫度、除濕機進風相對濕度(rh)、除濕機出風相對濕度(rh)、壓縮機吸氣壓力、壓縮機排氣壓力和壓縮機功率，共11個參數；
步驟2：通過實驗和人工模擬方法設定除濕機常見的10種工作狀態，包括：正常狀態、蒸發器性能下降、風冷冷凝器性能下降、風機風量減少、進風口濾網堵塞、進風溫度偏低、冷卻水進水量過大、蒸發器供液量過大、蒸發器供液量過小和制冷劑充注量不足；
步驟3：對應除濕機的每種工作狀態，各取q個數據樣本，形成維數為q×11的數據樣本組，q為樣本個數(這里取值為20)，11為步驟1中測量參數的個數；
步驟4：以選取的數據樣本組為基礎，應用基于遺傳算法改進的模糊c-均值聚類方法計算數據樣本組的聚類中心，并以該聚類中心作為除濕機標準工作狀態類中心，每個類中心對應除濕機的一種工作狀態；遺傳算法改進的模糊c-均值聚類方法計算過程分為如下兩步：
步驟4.1：利用遺傳算法代替λ-截矩陣法實現模糊c-均值聚類方法初始聚類數的自動優選，以提高初始聚類數選擇的科學性，減少對專家經驗知識的依賴，遺傳解算過程如下：
步驟4.1.1：編碼：對初始聚類數c進行整實數編碼，取值范圍為[2,n]，其中n為樣本總數；
步驟4.1.2：生成初始群體：初始群體采取隨機方式生成，種群規模為80；
步驟4.1.3：遺傳操作：遺傳操作包括選擇、交叉和變異及其概率選擇：
步驟4.1.3.1：選擇
選擇算子采用聯賽選擇，規模為2，同時采用最佳個體保留策略；聯賽選擇方法的基本思想是從群體中隨機選擇一定數目(聯賽規模)的個體，其中適應度最高的個體保存到下一代，這一過程多次執行，直到保存到下一代的個體數目達到種群規模為止；最佳保留策略就是把群體中適應度最高的個體直接復制到下一代，不參加交叉和變異遺傳操作，由此可延長部分染色體的生存壽命，避免最佳個體被遺傳運算所破壞，既可保證方法的收斂性，又能使優良基因不至于過早丟失；
步驟4.1.3.2：交叉
交叉算子采用算術交叉，其計算公式為：
其中，a1′、a2′和a1、a2分別對應交叉前后的個體，α為一隨機數，取值范圍0～1；
步驟4.1.3.3：變異
變異算子采用非均勻一致變異，其計算公式為：
其中，bk為變異位值，bk′為bk變異后的值，dk,max為個體位最大值，dk,min為個體位最小值，rd(·)為取整函數，β為[0,1]上的隨機數；將dk,max-bk和bk-dk,min用y代替，則δ(t,y)表示在[0,y]范圍內符合非均勻分布的一個隨機數，它隨著進化代數t的增加而以接近于0的概率逐漸增加，其計算公式為：
其中，t最大代數，b為確定非均勻度的系統參數；
步驟4.1.3.4：交叉和變異概率選擇
為能更好地得到全局最優解，交叉和變異概率采用自適應方法確定，其計算公式如下：
其中，fm為群體中最大的適應度值；fa為每代群體的平均適應度值；f′為要交叉的兩個個體中較大的適應度值；f為變異個體的適應度值；pc1取0.85，pc2取0.55，pm1取0.15，pm2取0.05。
步驟4.1.4：適應度計算
適應度函數設計為：
其中，vi和vk分別表示第i和k個聚類中心，uij表示第j個樣本xj隸屬于第i個類的隸屬度。
該式的計算過程如下：
(1)生成初始模糊隸屬矩陣u
uij的計算公式為：
uij＝[xij-min(xij)]/[max(xij)-min(xij)](7)
其中，i＝1,2,…c，j＝1,2,…n。
(2)計算聚類中心
vi或vk的計算公式為：
其中，l為迭代次數，l＝0,1,2,…；m為給定參數，這里取值為2。
(3)對模糊隸屬度矩陣u進行迭代計算
將模糊隸屬矩陣更新為計算公式為：
(4)迭代終止判定
給定一個非常小的正數ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結束；否則，令l＝l+1，回步驟(2)繼續迭代，最終得到分類矩陣u和聚類中心v，這里ε取值為10-7。
步驟4.1.5：遺傳算法終止
算法在遺傳解算到300代時終止；
步驟4.2：根據已得到的初始聚類數c，利用遺傳算法代替傳統的迭代爬山法對模糊c-均值聚類的聚類中心v進行優化計算，以克服原求解方法容易出現的局部極小值問題，遺傳解算過程如下：
步驟4.2.1：編碼
用實數方式對每個初始聚類中心vi進行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素。如果聚類數為c，樣本維數為p，則染色體編碼長度為c×p；
步驟4.2.2：生成初始群體
初始群體采取隨機方式生成，種群規模為80；
步驟4.2.3：遺傳操作
選擇算子采用聯賽選擇，規模為2，同時采用最佳保留策略；交叉算子采用算術交叉，變異算子采用非均勻一致變異，為能更好地得到全局最優解，交叉和變異概率同樣采用前面的自適應方法確定；
步驟4.2.4：適應度計算
適應度函數設計為：
該式的計算過程如下：
(1)生成初始模糊隸屬矩陣u
uij的計算公式為：
其中，i＝1,2,…c，j＝1,2,…n，o＝1,2,…p。
(2)聚類中心更新
vi的初始值由遺傳算法本身生成，迭代計算時的更新公式為：
(3)對模糊隸屬度矩陣u進行迭代計算
將模糊隸屬矩陣更新為計算公式為：
(4)迭代終止判定
給定一個非常小的正數ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結束；否則，令l＝l+1，回步驟(2)繼續迭代。
步驟4.2.5：遺傳算法終止
算法在遺傳解算到300代時終止；至此，就可以得到一個優化的初始聚類中心v，并以此作為設備標準的工作狀態類中心，根據該中心與實測樣本的貼近度來實現設備工作狀態的判別；
步驟5：計算貼近度
如有c個已知模式v1,v2,…vc和一個待檢模式x，它們都是論域u上的模糊向量，若有i∈(1,2,…,c)，使得
則稱x與vi最貼近，式中的σ稱為兩個模糊向量的貼近度，它是對兩個向量或集合接近程度的一種度量，這里采用最小最大貼近度法，其計算公式為：
步驟6：判別設備運行狀態
根據式(15)的計算結果，判斷當前實測樣本的故障狀態。判斷的依據為：
ifsi＝max(σ(v,x))，thenx∈i類(16)
其中，si為貼近度矢量s的第i個元素，i＝1,2,…c，也就是說如果樣本x與聚類中心v貼近度s中的第i個值最大，則該樣本屬于第i類，由此完成對應于該樣本的除濕機狀態判斷。
實施例：
現以cftz-21型冷凍式調溫型除濕機為例進行說明，通過實驗和數據采集裝置可得到除濕機10種工作狀態下的數據，其中1種為正常工作狀態；其余9種為性能下降狀態，分別對應蒸發器性能下降20％、風冷冷凝器性能下降20％、風機風量減少10％、進風口濾網堵塞30％、進風溫度為16℃、進水量比正常值多30％、蒸發器供液量比正常值多10％、蒸發器供液量比正常值少10％和制冷劑充注量比正常值少20％。通過本發明的遺傳模糊c-均值聚類方法步驟可先后得到初始聚類數和聚類中心，并將該聚類中心作為標準的聚類中心，如表1所示。
表1標準聚類中心
得到聚類中心后，任取兩個除濕機當前運行狀態下的樣本：
x1＝(19.34,24.00,5.43,22.33,11.18,59.95,49.71％,34.49％,10.24,5.71,5.61),
x2＝(17.22,21.05,2.79,19.87,8.45,56.95,49.49％,36.58％,9.23,5.38,5.28)
與表1中的聚類中心進行最大最小進行貼近度計算，得：
σ(v,x1)＝[0.9983,0.9043,0.9443,0.7728,0.9750,0.8942,0.9493,0.9586,0.6647,0.9254],
σ(v,x2)＝[0.8936,0.8751,0.8543,0.7337,0.8947,0.9982,0.8886,0.8716,0.6035,0.9635].
根據式(16)的判斷規則，可判定樣本x1屬于第1類，樣本x2屬于第6類，分別對應于除濕機的正常工作和進風溫度過低狀態，即完成了除濕機當前運行狀態的判斷。
<
<
<
<
<
<
<
<
