一種基于遺傳模糊C-均值聚類(lèi)的冷凍除濕機狀態(tài)監測方法與流程

一種基于遺傳模糊C-均值聚類(lèi)的冷凍除濕機狀態(tài)監測方法與流程

　　本發(fā)明屬于暖通空調與制冷狀態(tài)監測與故障診斷領(lǐng)域，具體涉及一種基于遺傳模糊c-均值聚類(lèi)的冷凍除濕機狀態(tài)監測方法。

　　背景技術(shù)：

　　隨著(zhù)社會(huì )發(fā)展和生產(chǎn)的需要，冷凍除濕機廣泛應用于對環(huán)境溫濕度有要求的各種場(chǎng)合，如大型倉庫、地下工程、商業(yè)建筑、電子與精密儀器、紡織等領(lǐng)域，其主要作用是降低空氣濕度并對溫度進(jìn)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(fēng)、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(xiàn)性和多干擾等特點(diǎn)。對除濕機展開(kāi)狀態(tài)監測不僅能夠幫助我們了解設備性能退化程度，及時(shí)發(fā)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(yōu)化運行、對之實(shí)施節能控制以及自動(dòng)化管理。從設備的可靠運行與節能角度來(lái)說(shuō)，對冷凍除濕機進(jìn)行狀態(tài)監測及其故障診斷有著(zhù)重要的意義，但是到目前為止有關(guān)除濕機狀態(tài)監測及其故障診斷的研究應用并不多見(jiàn)。

　　隨著(zhù)生產(chǎn)技術(shù)和制造業(yè)的進(jìn)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(jià)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(shí)現自身更好的控制，二是用于自身狀態(tài)的監測。當前暖通空調與制冷領(lǐng)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(guò)程歷史數據的方法，前者的應用需要依賴(lài)先驗知識建立精確的數學(xué)或物理模型，后者則主要依賴(lài)過(guò)程歷史數據進(jìn)行建模，因此從工程實(shí)用的角度來(lái)說(shuō)后者更容易實(shí)現。但基于過(guò)程歷史數據的方法又有多類(lèi)，比如arx黑箱模型方法、bp或rbf人工神經(jīng)網(wǎng)絡(luò )方法、聚類(lèi)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(zhù)一些不足，比如arx模型辨識依賴(lài)于經(jīng)驗知識，辨識精度有時(shí)不夠高；bp神經(jīng)網(wǎng)絡(luò )存在局部極小值問(wèn)題，算法有時(shí)并不一定收斂；rbf神經(jīng)網(wǎng)絡(luò )在訓練時(shí)其網(wǎng)絡(luò )結構和精度需要進(jìn)行折衷。模糊c-均值聚類(lèi)方法是聚類(lèi)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(lèi)方法應用時(shí)存在兩個(gè)缺陷：一是初始聚類(lèi)數通過(guò)λ-截矩陣分類(lèi)方法進(jìn)行確定，λ值依靠經(jīng)驗人為選取，而不同的λ值又決定不同的聚類(lèi)數，由此可能會(huì )導致分類(lèi)出現偏差，進(jìn)而影響其故障監測與診斷應用；二是方法通過(guò)迭代爬山算法來(lái)尋找所研究問(wèn)題的最優(yōu)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(shù)實(shí)現要素：

　　為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于遺傳模糊c-均值聚類(lèi)的冷凍除濕機狀態(tài)監測方法，該方法利用遺傳算法自動(dòng)尋優(yōu)和全局搜索能力一方面可對模糊c-均值聚類(lèi)方法中的聚類(lèi)數進(jìn)行自動(dòng)選取，另一方面可對方法的解進(jìn)行全局搜索，以此為基礎實(shí)現除濕機的狀態(tài)監測。

　　本發(fā)明采用如下技術(shù)方案來(lái)實(shí)現的：

　　一種基于遺傳模糊c-均值聚類(lèi)的冷凍除濕機狀態(tài)監測方法，包括以下步驟：

　　1)選擇與設備運行狀態(tài)密切相關(guān)的測量參數；

　　2)通過(guò)實(shí)驗與人工模擬設定除濕機不同的工作狀態(tài)；

　　3)選取用于計算設備工作狀態(tài)類(lèi)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(lèi)的初始聚類(lèi)數，在得到初始聚類(lèi)數的情況下，利用遺傳算法計算模糊c-均值聚類(lèi)的聚類(lèi)中心，作為標準的聚類(lèi)中心，并以該聚類(lèi)中心作為除濕機標準工作狀態(tài)類(lèi)中心；

　　5)采集數據樣本并計算與標準聚類(lèi)中心的貼近度，數據樣本由監測設備運行狀態(tài)的傳感器獲得，樣本維數等于傳感器的個(gè)數；

　　6)根據貼近度值判斷由數據樣本代表的設備運行狀態(tài)，由此實(shí)現設備狀態(tài)監測。

　　本發(fā)明進(jìn)一步的改進(jìn)在于，步驟1)中，利用傳感器采集與設備運行狀態(tài)密切相關(guān)的參數作為一個(gè)數據樣本，對于冷凍除濕機選擇如下參數：除濕機進(jìn)風(fēng)溫度、除濕機出風(fēng)溫度、制冷劑蒸發(fā)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(jìn)風(fēng)相對濕度、除濕機出風(fēng)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(fā)明進(jìn)一步的改進(jìn)在于，步驟2)中，通過(guò)實(shí)驗和人工模擬方法設定除濕機常見(jiàn)的10種工作狀態(tài)，包括：正常狀態(tài)、蒸發(fā)器性能下降、風(fēng)冷冷凝器性能下降、風(fēng)機風(fēng)量減少、進(jìn)風(fēng)口濾網(wǎng)堵塞、進(jìn)風(fēng)溫度偏低、冷卻水進(jìn)水量過(guò)大、蒸發(fā)器供液量過(guò)大、蒸發(fā)器供液量過(guò)小和制冷劑充注量不足。

　　本發(fā)明進(jìn)一步的改進(jìn)在于，步驟3)中，對應除濕機的每種工作狀態(tài)，各取q個(gè)數據樣本，形成維數為q×11的數據樣本組，q為樣本個(gè)數，11為步驟1)中測量參數的個(gè)數。

　　本發(fā)明進(jìn)一步的改進(jìn)在于，步驟4)中，每個(gè)類(lèi)中心對應除濕機的一種工作狀態(tài)，遺傳算法改進(jìn)的模糊c-均值聚類(lèi)方法計算過(guò)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(shí)現模糊c-均值聚類(lèi)方法初始聚類(lèi)數的自動(dòng)優(yōu)選，遺傳解算過(guò)程如下：

　　步驟4.1.1：編碼：對初始聚類(lèi)數c進(jìn)行整實(shí)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(lián)賽選擇，規模為2，同時(shí)采用最佳個(gè)體保留策略；

　　步驟4.1.3.2：交叉

　　交叉算子采用算術(shù)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(gè)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(gè)體位最大值，dk,min為個(gè)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(gè)隨機數，它隨著(zhù)進(jìn)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(gè)個(gè)體中較大的適應度值；f為變異個(gè)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(gè)聚類(lèi)中心，uij表示第j個(gè)樣本xj隸屬于第i個(gè)類(lèi)的隸屬度；

　　該式的計算過(guò)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(lèi)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(jìn)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(gè)非常小的正數ε＝10-7，檢驗是否滿(mǎn)足||u(l+1)-u(l)||＜ε，若滿(mǎn)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(lèi)矩陣u和聚類(lèi)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(shí)終止；

　　步驟4.2：根據已得到的初始聚類(lèi)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(lèi)的聚類(lèi)中心v進(jìn)行優(yōu)化計算，遺傳解算過(guò)程如下：

　　步驟4.2.1：編碼

　　用實(shí)數方式對每個(gè)初始聚類(lèi)中心vi進(jìn)行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素，如果聚類(lèi)數為c，樣本維數為p，則染色體編碼長(cháng)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(lián)賽選擇，規模為2，同時(shí)采用最佳保留策略；交叉算子采用算術(shù)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(yōu)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(guò)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(lèi)中心更新

　　vi的初始值由遺傳算法本身生成，迭代計算時(shí)的更新公式為：

　　(3)對模糊隸屬度矩陣u進(jìn)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(gè)正數ε＝10-7，檢驗是否滿(mǎn)足||u(l+1)-u(l)||＜ε，若滿(mǎn)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(shí)終止；至此，就得到一個(gè)優(yōu)化的初始聚類(lèi)中心v，并以此作為設備標準的工作狀態(tài)類(lèi)中心，根據該中心與實(shí)測樣本的貼近度來(lái)實(shí)現設備工作狀態(tài)的判別。

　　本發(fā)明進(jìn)一步的改進(jìn)在于，步驟5)的具體實(shí)現方法如下：

　　如有c個(gè)已知模式v1,v2,…vc和一個(gè)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(chēng)x與vi最貼近，式中的σ稱(chēng)為兩個(gè)模糊向量的貼近度，它是對兩個(gè)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(fā)明進(jìn)一步的改進(jìn)在于，步驟6)的具體實(shí)現方法如下：

　　根據式(15)的計算結果，判斷當前實(shí)測樣本的故障狀態(tài)，判斷的依據為：

　　ifsi＝max(σ(v,x))，thenx∈i類(lèi)(16)

　　其中，si為貼近度矢量s的第i個(gè)元素，i＝1,2,…c，也就是說(shuō)如果樣本x與聚類(lèi)中心v貼近度s中的第i個(gè)值最大，則該樣本屬于第i類(lèi)，由此完成對應于該樣本的除濕機狀態(tài)判斷。

　　本發(fā)明具有如下有益的技術(shù)效果：

　　本發(fā)明首先選取與設備運行狀態(tài)密切相關(guān)的測量參數和模擬設備不同工況下的工作狀態(tài)，并利用傳感器對這些參數進(jìn)行采集，以形成不同狀態(tài)下的典型數據樣本組；其次利用遺傳算法改進(jìn)的模糊c-均值聚類(lèi)方法計算得到數據樣本組的聚類(lèi)中心v；最后通過(guò)傳感器在線(xiàn)實(shí)測設備運行數據與標準聚類(lèi)中心貼近度的大小來(lái)監測和判斷除濕機運行狀態(tài)。遺傳算法改進(jìn)的模糊c-均值聚類(lèi)方法分為兩步：首先應用遺傳算法對模糊c-均值聚類(lèi)的初始聚類(lèi)數c進(jìn)行自動(dòng)優(yōu)選，以減少傳統選取方法中對專(zhuān)家知識的依賴(lài)；其次利用遺傳算法對數據樣本組的聚類(lèi)中心v進(jìn)行優(yōu)化計算，以減少傳統求解方法中存在的局部極小值問(wèn)題。

　　與現有技術(shù)相比，本發(fā)明可以自動(dòng)實(shí)現設備狀態(tài)監測；應用遺傳算法對模糊c-均值聚類(lèi)方法改進(jìn)后，既可以自動(dòng)優(yōu)選初始聚類(lèi)數，又可以?xún)?yōu)化標準聚類(lèi)中心；通過(guò)實(shí)測設備運行樣本與標準聚類(lèi)中心貼近度來(lái)對設備運行狀態(tài)進(jìn)行判斷，從而減少了人為主觀(guān)因素，提高了判斷設備運行狀態(tài)的科學(xué)性。本發(fā)明從提高模糊c-均值聚類(lèi)方法的可操作性、準確性、科學(xué)性和魯棒性入手，來(lái)獲取在除濕機狀態(tài)監測中更好的應用效果，具有明顯的推廣和工程應用價(jià)值。

　　附圖說(shuō)明

　　圖1為本發(fā)明的流程圖。

　　具體實(shí)施方式

　　以下結合附圖和實(shí)施例對本發(fā)明做出進(jìn)一步的說(shuō)明。

　　如圖1所示，本發(fā)明提供的一種基于遺傳模糊c-均值聚類(lèi)的冷凍除濕機狀態(tài)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(tài)密切相關(guān)的參數作為一個(gè)數據樣本，對于冷凍除濕機選擇如下參數：除濕機進(jìn)風(fēng)溫度、除濕機出風(fēng)溫度、制冷劑蒸發(fā)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(jìn)風(fēng)相對濕度(rh)、除濕機出風(fēng)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(gè)參數；

　　步驟2：通過(guò)實(shí)驗和人工模擬方法設定除濕機常見(jiàn)的10種工作狀態(tài)，包括：正常狀態(tài)、蒸發(fā)器性能下降、風(fēng)冷冷凝器性能下降、風(fēng)機風(fēng)量減少、進(jìn)風(fēng)口濾網(wǎng)堵塞、進(jìn)風(fēng)溫度偏低、冷卻水進(jìn)水量過(guò)大、蒸發(fā)器供液量過(guò)大、蒸發(fā)器供液量過(guò)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(tài)，各取q個(gè)數據樣本，形成維數為q×11的數據樣本組，q為樣本個(gè)數(這里取值為20)，11為步驟1中測量參數的個(gè)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(jìn)的模糊c-均值聚類(lèi)方法計算數據樣本組的聚類(lèi)中心，并以該聚類(lèi)中心作為除濕機標準工作狀態(tài)類(lèi)中心，每個(gè)類(lèi)中心對應除濕機的一種工作狀態(tài)；遺傳算法改進(jìn)的模糊c-均值聚類(lèi)方法計算過(guò)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(shí)現模糊c-均值聚類(lèi)方法初始聚類(lèi)數的自動(dòng)優(yōu)選，以提高初始聚類(lèi)數選擇的科學(xué)性，減少對專(zhuān)家經(jīng)驗知識的依賴(lài)，遺傳解算過(guò)程如下：

　　步驟4.1.1：編碼：對初始聚類(lèi)數c進(jìn)行整實(shí)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(lián)賽選擇，規模為2，同時(shí)采用最佳個(gè)體保留策略；聯(lián)賽選擇方法的基本思想是從群體中隨機選擇一定數目(聯(lián)賽規模)的個(gè)體，其中適應度最高的個(gè)體保存到下一代，這一過(guò)程多次執行，直到保存到下一代的個(gè)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(gè)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(cháng)部分染色體的生存壽命，避免最佳個(gè)體被遺傳運算所破壞，既可保證方法的收斂性，又能使優(yōu)良基因不至于過(guò)早丟失；

　　步驟4.1.3.2：交叉

　　交叉算子采用算術(shù)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(gè)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(gè)體位最大值，dk,min為個(gè)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(gè)隨機數，它隨著(zhù)進(jìn)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(yōu)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(gè)個(gè)體中較大的適應度值；f為變異個(gè)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(gè)聚類(lèi)中心，uij表示第j個(gè)樣本xj隸屬于第i個(gè)類(lèi)的隸屬度。

　　該式的計算過(guò)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(lèi)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(jìn)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(gè)非常小的正數ε＝10-7，檢驗是否滿(mǎn)足||u(l+1)-u(l)||＜ε，若滿(mǎn)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(lèi)矩陣u和聚類(lèi)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(shí)終止；

　　步驟4.2：根據已得到的初始聚類(lèi)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(lèi)的聚類(lèi)中心v進(jìn)行優(yōu)化計算，以克服原求解方法容易出現的局部極小值問(wèn)題，遺傳解算過(guò)程如下：

　　步驟4.2.1：編碼

　　用實(shí)數方式對每個(gè)初始聚類(lèi)中心vi進(jìn)行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素。如果聚類(lèi)數為c，樣本維數為p，則染色體編碼長(cháng)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(lián)賽選擇，規模為2，同時(shí)采用最佳保留策略；交叉算子采用算術(shù)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(yōu)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(guò)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(lèi)中心更新

　　vi的初始值由遺傳算法本身生成，迭代計算時(shí)的更新公式為：

　　(3)對模糊隸屬度矩陣u進(jìn)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(gè)非常小的正數ε＝10-7，檢驗是否滿(mǎn)足||u(l+1)-u(l)||＜ε，若滿(mǎn)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(shí)終止；至此，就可以得到一個(gè)優(yōu)化的初始聚類(lèi)中心v，并以此作為設備標準的工作狀態(tài)類(lèi)中心，根據該中心與實(shí)測樣本的貼近度來(lái)實(shí)現設備工作狀態(tài)的判別；

　　步驟5：計算貼近度

　　如有c個(gè)已知模式v1,v2,…vc和一個(gè)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(chēng)x與vi最貼近，式中的σ稱(chēng)為兩個(gè)模糊向量的貼近度，它是對兩個(gè)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(tài)

　　根據式(15)的計算結果，判斷當前實(shí)測樣本的故障狀態(tài)。判斷的依據為：

　　ifsi＝max(σ(v,x))，thenx∈i類(lèi)(16)

　　其中，si為貼近度矢量s的第i個(gè)元素，i＝1,2,…c，也就是說(shuō)如果樣本x與聚類(lèi)中心v貼近度s中的第i個(gè)值最大，則該樣本屬于第i類(lèi)，由此完成對應于該樣本的除濕機狀態(tài)判斷。

　　實(shí)施例：

　　現以cftz-21型冷凍式調溫型除濕機為例進(jìn)行說(shuō)明，通過(guò)實(shí)驗和數據采集裝置可得到除濕機10種工作狀態(tài)下的數據，其中1種為正常工作狀態(tài)；其余9種為性能下降狀態(tài)，分別對應蒸發(fā)器性能下降20％、風(fēng)冷冷凝器性能下降20％、風(fēng)機風(fēng)量減少10％、進(jìn)風(fēng)口濾網(wǎng)堵塞30％、進(jìn)風(fēng)溫度為16℃、進(jìn)水量比正常值多30％、蒸發(fā)器供液量比正常值多10％、蒸發(fā)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(guò)本發(fā)明的遺傳模糊c-均值聚類(lèi)方法步驟可先后得到初始聚類(lèi)數和聚類(lèi)中心，并將該聚類(lèi)中心作為標準的聚類(lèi)中心，如表1所示。

　　表1標準聚類(lèi)中心

　　得到聚類(lèi)中心后，任取兩個(gè)除濕機當前運行狀態(tài)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(lèi)中心進(jìn)行最大最小進(jìn)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(lèi)，樣本x2屬于第6類(lèi)，分別對應于除濕機的正常工作和進(jìn)風(fēng)溫度過(guò)低狀態(tài)，即完成了除濕機當前運行狀態(tài)的判斷。