聚类算法在机械故障诊断中的应用.docVIP

模糊聚类在机械故障诊断中的应用 第一章 聚类分析概述 聚类分析是由若干模式组成的，通常，模式是一个度量的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。 聚类的用途是很广泛的。聚类分析可以作为数据挖掘算法中其他分析算法的一个预处理步骤。　C均值聚类 在各种算法中,模糊C均值聚类( FCM)算法是一种应用广泛的算法,其基本思想是,在分类条件给定的条件下,利用模糊C算法寻找出对事物的最佳分类方案。 被分类对象集合为 U={u1,u2,…,un} 其中每一对象ui都有m个特性指标,即 ui={ui1,ui2,…,uim} 相应的特征指标矩阵为 （1） 根据n个对象的特性指标矩阵寻找出在一定条件下最佳的模糊分类矩阵R,即 （2） 模糊分类,即被分类对象集合U中的对象ui以一定的隶属度属于某一类。因此,每一类就认为是对象集合U上的一个模糊子集。 R满足下列3个条件: (1)rij∈[0,1],即分类矩阵元素在0和1之间取值。 (2) ,即每一列中分别属于各类的隶属度之和为1,这一条件保证了对一个对象而言,它对各类的隶属度之和为1。 (3) ,这一条件保证了每一类都必须有对象,即总有一些对象不同程度地属于各类。 现将对象U分成c类,求出聚类中心矩阵V, 使目标函数 （3） 达到极小值,其中q可取一定值,而‖uk-Vi‖表示对象uk与第i类聚类中心矢量Vi的距离。 模糊C均值聚类FCM采用迭代方法保证输入特征的收敛性,基本实现步骤如下: (1)设定聚类数目c和参数x。 (2)初始化各个聚类中心。 (3)重复以下过程,直到各个样本的隶属度值稳定,即①用当前的聚类中心确定隶属度函数;②用当前的隶属度函数更新计算各类聚类中心。 当算法收敛时,就得到了输入样本的最终聚类中心,从而完成了模糊聚类划分。分析事物特性指标值时,不同的聚类中心值代表了不同的划分,并以此作为事物的客观评定依据。传统的FCM方法,在样本集不理想的情况下可能导致结果不好。因此,对传统的FCM算法加以改进,提出了放松的归一化条件,使所有样本对各类的隶属度总和为n,即 （4） 式中:uj(xi)为第i个样本对于第j类的隶属度函数。 第三章 模糊聚类用于机械故障诊断的实例 3.1 模糊聚类用于诊断气阀故障的可行性 往复压缩机主要振源来自往复运动与回转运动, 除此之外,气阀和缸体运行过程中还要承受很高的压力和温度,气阀需要在瞬间完成高流速气体的吸入和排出,其工作环境非常复杂,因此,如何从复杂多变的信号数据中提取特征参数已成为气阀故障诊断的关键所在。气阀的主要故障部件有阀座、弹簧、阀片。阀座是气阀的主体,它与升程限制器一起构架了气阀组件的空间。阀座上的同心凸台表面与阀片共同构成对气体的密封结构。阀座密封面密封不良会造成气体回流、吸排气效率下降、气体温度和压力异常等热力参数的异常,也将造成振动信号和噪声的变化,因此,通过振动方法不但可以监测气阀的漏气,还可以判断泄漏间隙的大小。弹簧失效的主要形式是折断和弹性改变,弹力变小、阀片延迟关闭造成气体回流,引起循环气体温度、压力的变化,阀片对升程限制器的的撞击强度增大,使冲击振动及噪声增大。弹力变大,气阀开启时,气流压力不能使阀片贴在升程限制器表面,会引起阀片的振颤。弹簧断裂可引起复杂的振动、阀片运动卡滞、阀片受力不均等。因此,弹簧故障在热力学和动力学参数方面都会有所反映,振动诊断方法能够诊断弹簧断裂或弹性改变故障。阀片是气阀的关键件,其作用是在吸气或排气结束时,关闭气流通道的作用。阀片失效的主要形式是变形与折断,阀片变形后受力不均,开启、闭合冲击变大。碎裂的阀片将引起复杂的振动,所以振动方法可以诊断气阀碎裂与变形故障。由此可见,振动诊断方法用于诊断气阀故障是可行的。 鉴于传统模式识别方法对气阀故障诊断无法取得理想的效果,结合气阀故障种类多、振动信号特征不明显、信号信息无法直接提取的特点,本文确定采用模糊聚类的方法进行数据分析。 3.2 气阀故障诊断步骤 （1）实验样本和特征参数的选取 连续三年时间对西部油田某单位天然气往复压缩机的气阀振动信号进行现场定期采集,将采集到的振动信号进行时域和频域分析,通过对大量的数据样本进行横向(同一时间采集的不同测点之间的振动信号)和纵向(三年期间采集的同一测点的信号)比较,从时、频域参数中选出故障的敏感参数,频域幅值极大值、频域均值、时域动态指标(峰峰值、绝对值、有效值、方差值)。随机选取20组数据作为样本数据,进行模糊聚类分析。 （2）原始数据标准化 各特征参数的量纲不同,物理意义也不同,故需对其进行归一化处理,以求模糊向量。对给定样本数据集X={x1,x2,…,