聚类算法在机械故障诊断中的应用.docVIP

PAGE PAGE 1 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。目前现有的故障诊断系统多数是以专家系统为基础建立的。尽管基于规则的诊断专家系统获得了一定的成功，但由于该方法属于反演推理，因而不是一种确保唯一性的推理形式，存在着知识获取困难、知识台阶窄以及控制策略不灵活等缺点。对大型规则库来说，容易产生规则匹配冲突、组合爆炸等问题，而且系统缺乏自学习能力，不适用于复杂系统或经验不足系统的故障诊断。对于大型的诊断对象，其求解过程搜索空间大，速度慢，难以实现实时在线诊断要求。 聚类算法是一种将关系比较密切的样本聚成一类，将关系疏远的样本剔除出去的一种方法，这就非常适合在没有专家的情况下对故障类型进行分类。另外聚类算法还有一个很大的灵活性，那就是可以根据故障样本的实际情况对最后的聚类所得的类簇的数量进行调整。因此，把聚类分析的方法运用到故障诊断中不但可以在没有专家的情况下诊断出设备的故障类型，还增强了故障诊断系统的智能化程度。 　 第二章 模糊C-均值聚类 2.1模糊聚类概述 模糊聚类分析是用模糊数学的方法对具有模糊性的事物进行分类的方法,它属于数据挖掘中的无指导聚类。在数据挖掘过程中可以发现先前未曾发现的模式,然后从这些数据中发掘某些内涵信息,包括描述过去和预测未来趋势的信息。模糊聚类的方法在理论上可分为两大类,一类是基于模糊等价关系的动态聚类如传递闭包法;另一类以模糊C-均值聚类(fuzzy center-means clustering)为代表,主要优点是理论严谨、算法明确、聚类效果较好,可借用计算机进行计算,应用广泛。 2.2 模糊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