www涩-www黄网站-www黄色-www黄色com-国产免费拍拍视频在线观看网站-国产免费怕怕免费视频观看

混合聚類分析算法在發(fā)電設(shè)備故障模式識(shí)別中的應(yīng)用

2018-03-21 13:05:59 電力信息與通信技術(shù)  點(diǎn)擊量: 評(píng)論 (0)
為全面診斷火電廠發(fā)電設(shè)備的故障,提高發(fā)電設(shè)備的可靠性,減少由于非計(jì)劃停機(jī)所帶來的經(jīng)濟(jì)損失,提出了一種基于K-means與GMM結(jié)合的聚類分析算法,將故障模式識(shí)別問題轉(zhuǎn)化為實(shí)現(xiàn)數(shù)據(jù)聚類問題,挖掘設(shè)備運(yùn)行數(shù)據(jù)間的深層關(guān)系,完成故障診斷。實(shí)踐結(jié)果證明了該算法在故障診斷中應(yīng)用的可行性,

0 引言

大型火電廠主、輔機(jī)數(shù)量較多,結(jié)構(gòu)復(fù)雜,其作用是完成從熱能到機(jī)械能再到電能的轉(zhuǎn)換過程。設(shè)備與設(shè)備之間的耦合性、系統(tǒng)的復(fù)雜性等因素決定了火電廠是一個(gè)高故障率和故障危害性很大的生產(chǎn)場(chǎng)所,這些故障都將造成重大的經(jīng)濟(jì)損失和社會(huì)后果,因此應(yīng)用設(shè)備故障預(yù)警及狀態(tài)監(jiān)測(cè)技術(shù),掌握關(guān)鍵設(shè)備的正常運(yùn)行狀態(tài),及時(shí)發(fā)現(xiàn)易損部件的工況惡化趨勢(shì),及時(shí)進(jìn)行維護(hù)和檢修,對(duì)提高設(shè)備的可靠性和安全性十分必要[1-5]

目前,發(fā)電設(shè)備預(yù)警和預(yù)知維修的關(guān)鍵技術(shù)主要有狀態(tài)監(jiān)測(cè)技術(shù)、故障診斷與預(yù)測(cè)技術(shù)和維修分析與決策,而故障模式識(shí)別是這些技術(shù)的基礎(chǔ)。本文采用K-means算法與基于EM(期望最大)的高斯混合模型(Gaussian Mixture Model,GMM)算法相結(jié)合的聚類分析算法進(jìn)行故障模式識(shí)別,實(shí)踐結(jié)果證明該算法能夠很好地用于發(fā)電設(shè)備智能診斷預(yù)測(cè)。

 1 算法介紹

1.1 K-means算法

K-means算法,也被稱為K-平均或K-均值算法,是一種得到廣泛應(yīng)用的聚類分析方法[6]。該算法的主要思想是:將各個(gè)聚類子集內(nèi)所有數(shù)據(jù)樣本的均值作為該聚類的代表點(diǎn),通過迭代的方法逐次更新各聚類中心的值,把數(shù)據(jù)集劃分為不同的類別,最終目標(biāo)是使評(píng)價(jià)聚類性能準(zhǔn)則的函數(shù)達(dá)到最優(yōu),使生成的每個(gè)聚類(簇)內(nèi)緊湊,類間獨(dú)立[7-10]

假設(shè)要把樣本集X={x1, x2, x3,…, xn}分為K個(gè)類別,算法的過程描述如下:

算法:K-means算法,劃分并計(jì)算基于簇中對(duì)象的平均值;

輸入:簇的數(shù)目K和包含n個(gè)對(duì)象的數(shù)據(jù)庫(kù);

輸出:K個(gè)簇,使平方誤差總和最小。

算法步驟:

1)為每個(gè)聚類確定一個(gè)初始聚類中心,形成K個(gè)初始聚類中心;

2)將樣本集中的樣本按照最小距離原則分配到最鄰近的聚類;

3)利用每個(gè)聚類中的樣本均值作為新的聚類中心;

4)重復(fù)步驟2和步驟3,直到聚類不再變化;

5)迭代結(jié)束,得到K個(gè)聚類。

K-means算法的優(yōu)點(diǎn)是算法快速、簡(jiǎn)單,對(duì)大數(shù)據(jù)集有較高的效率并且是可伸縮的。缺點(diǎn)是需要根據(jù)初始聚類中心來確定一個(gè)初始劃分,然后對(duì)初始劃分進(jìn)行優(yōu)化。在K-means 算法中,多維空間相似性度量基于歐氏距離進(jìn)行計(jì)算,并不能準(zhǔn)確反映多維空間點(diǎn)中的相似情況。

1.2 高斯混合模型(GMM)
1.2.1 多維空間單高斯模型(SGM)

假設(shè)有一組在多維空間(假設(shè)維度為D)的點(diǎn)Xi,i=1,2,…,n,若這些點(diǎn)的分布近似橢球狀,則可以用高斯密度函數(shù)g(X,μ,Σ)來描述產(chǎn)生這些點(diǎn)的密度函數(shù):

 

由于xi為己知點(diǎn),可通過p(X;μ,Σ)來求解μ和Σ。這類問題通常以極大似然估計(jì)的方法來進(jìn)行求解,即在p(X;μ,Σ)為最大值條件下(樣本點(diǎn)xi已經(jīng)發(fā)生,故可認(rèn)為p(X;μ,Σ)樣本xi發(fā)生的概率最大),求得μ和Σ。根據(jù)極值理論,可以通過對(duì)μ和Σ分別求導(dǎo)的方式求解。

1.2.2 高斯混合模型(GMM)

SGM樣本點(diǎn)的分布為橢球狀。而實(shí)際中,大部分樣本點(diǎn)分布不可能是或近似橢球狀,因此引用了高斯混合模型(GMM)。GMM是一種常用的描述混合密度函數(shù)分布的模型,可視為多個(gè)高斯分布以一定比例混合而成[11-14],GMM模型可描述為:

圖1

Fig.1 Solution program

基于K-means與GMM結(jié)合的聚類分析算法描述如下:

1)引用初始K個(gè)高斯混合模型,其初始參數(shù)為A0、Mu0、Σ0;

2)在第1次迭代中,通過最大期望算法得到A1、Mu1、Σ1;

3)將更新后的高斯模型進(jìn)行第2次迭代,得到A2、Mu2、Σ2;

4)進(jìn)行多次迭代后,值變化達(dá)到殘差設(shè)定值,則迭代結(jié)束,得到最終A、Mu以及Σn

2.2 模型相似度算法詳解

在得到高斯混合模型的數(shù)學(xué)求解結(jié)果后,計(jì)算機(jī)基于EM算法不斷求解和迭代可以得到GMM各個(gè)模型的參數(shù)μ和Σ。在現(xiàn)場(chǎng)得到的實(shí)時(shí)數(shù)據(jù)將與GMM中的模型期望值進(jìn)行相似度比較,相似度最高的期望值將作為實(shí)時(shí)數(shù)據(jù)的期望值。

對(duì)于2個(gè)D維數(shù)據(jù)對(duì)象X={x1, x2,…, xd}和Y={y1, y2,…, yd},相似度計(jì)算方法如下:

圖2
圖2 前置泵電機(jī)溫度訓(xùn)練樣本與期望值趨勢(shì)圖Fig.2 Training sample and expected trend of front pump motor temperature

圖3 前置泵電機(jī)溫度實(shí)時(shí)數(shù)據(jù)與期望值趨勢(shì)圖Fig.3 Real - time data and expectation trend of front pump motor temperature

圖4 前置泵電機(jī)溫度相似度趨勢(shì)圖Fig.4 Similarity trend of front pump motor temperature

從實(shí)例可以得出,采用K-means(K均值)與基于EM的GMM算法相結(jié)合的聚類分析算法能夠?qū)Πl(fā)電設(shè)備故障模式進(jìn)行提取,并以此作為故障模式識(shí)別的依據(jù),對(duì)于1 000個(gè)樣本的驗(yàn)證結(jié)果,經(jīng)檢驗(yàn)后發(fā)現(xiàn)其與實(shí)際情況基本吻合。

 4 結(jié)語

本文針對(duì)火力發(fā)電機(jī)組發(fā)電設(shè)備故障預(yù)警的難題,研究了K-means與GMM結(jié)合的聚類分析算法,應(yīng)用 K-means初始化構(gòu)建混合高斯模型,使用 EM 算法進(jìn)行參數(shù)估測(cè),并建立了完整的分類模型,驗(yàn)證了該數(shù)據(jù)挖掘技術(shù)在故障診斷中應(yīng)用的可行性,為發(fā)電設(shè)備的預(yù)警和預(yù)知維修奠定了基礎(chǔ)。

 

大云網(wǎng)官方微信售電那點(diǎn)事兒

責(zé)任編輯:售電衡衡

免責(zé)聲明:本文僅代表作者個(gè)人觀點(diǎn),與本站無關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí),對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾,請(qǐng)讀者僅作參考,并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。
我要收藏
個(gè)贊
?
主站蜘蛛池模板: 99久久综合精品免费 | 亚洲黄色第一页 | 日韩一级黄色 | 亚洲三级在线免费观看 | 免费看欧美一级特黄a大片一 | 中国日本高清免费视频网 | 99精品视频一区在线观看miya | 牛牛本精品99久久精品88m | 99久久这里只精品国产免费 | 中文精品99久久国产 | 日本加勒比在线 | 欧美视频一区二区三区四区 | 中文字幕有码在线播放 | 久久福利青草精品资源站免费 | 欧美一级色 | 可以免费观看欧美一级毛片 | 日本www免费 | 日韩中文字幕在线观看 | 免费看又黄又爽又猛的网站 | 国产精品久久久久久久久免费观看 | 一区二区三区 日韩 | 久久精品国产亚洲片 | 久久频这里精品99香蕉久网址 | 久久久国产精品免费视频 | 日韩一级欧美一级一级国产 | 中文字幕亚洲视频 | 九一精品| 一级啪啪片 | 2021国产精品系列一区二区 | 日本精品视频一视频高清 | 亚洲国产精品线播放 | 成年女人在线观看片免费视频 | 欧美私人网站 | aaa在线| 久久在线观看免费视频 | 国产免费亚洲 | 亚洲国产日韩综合久久精品 | 中文字幕有码在线视频 | 国产一区二区三区毛片 | 中文字幕亚洲一区 | 久久国产欧美日韩精品 |