, ,,

(華北電力大學(xué)(北京) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

0 引言

隨著中國制造2025計(jì)劃的提出，制造行業(yè)迎來了新的機(jī)遇，越來越多的機(jī)械設(shè)備應(yīng)用于各個(gè)行業(yè)[1]。機(jī)械設(shè)備的故障會(huì)影響生產(chǎn)效率，造成經(jīng)濟(jì)損失，工業(yè)生產(chǎn)中常常采用人工診斷的方法來進(jìn)行故障診斷，這種方式具有診斷效率低，專業(yè)性較強(qiáng)，診斷不及時(shí)等缺點(diǎn)。如果能及時(shí)的發(fā)現(xiàn)故障，并進(jìn)行維護(hù)將會(huì)挽回大量的經(jīng)濟(jì)損失。

風(fēng)機(jī)廣泛應(yīng)用于工廠、礦井、隧道、發(fā)電等場合的通風(fēng)、引風(fēng)、冷卻等，其工作性能的好壞直接或間接的影響生產(chǎn)安全和生產(chǎn)效率，因此對(duì)風(fēng)機(jī)的振動(dòng)故障的實(shí)時(shí)在線智能診斷研究具有重要意義。文獻(xiàn)[2-3]闡述了風(fēng)機(jī)等機(jī)械設(shè)備常見故障的產(chǎn)生機(jī)理和各種故障與振動(dòng)特征、敏感參數(shù)和故障原因之間的對(duì)應(yīng)關(guān)系。目前應(yīng)用于人工智能故障診斷較多的就是基于神經(jīng)網(wǎng)絡(luò)的故障診斷[4]。也有采用聚類算法進(jìn)行故障診斷的文獻(xiàn)，如張孝遠(yuǎn)等[5]和李超順等[6]分別利用最小最大核K均值聚類算法和引力搜索核聚類算法實(shí)現(xiàn)水電機(jī)組的振動(dòng)故障分類，但此方面的研究相對(duì)神經(jīng)網(wǎng)絡(luò)偏少。

聚類是將物理或者抽象對(duì)象的集合通過一定的相似系數(shù)指標(biāo)將對(duì)象分成多個(gè)具有不同相似系數(shù)的類。聚類主要應(yīng)用于模式識(shí)別中的語音識(shí)別[7]、字符識(shí)別[8]、故障診斷[9]等, 機(jī)器學(xué)習(xí)中的聚類算法應(yīng)用于圖像分割[10]和機(jī)器視覺[11], 圖像處理中聚類用于數(shù)據(jù)壓縮和信息檢索，另一個(gè)主要應(yīng)用是數(shù)據(jù)挖掘[12]。在已有的聚類算法中，K-均值聚類算法(K-means)是最常用的一種聚類算法，由于其聚類效率較高被廣泛應(yīng)用，但聚類結(jié)果不穩(wěn)定，聚類質(zhì)量較差，很難直接將其運(yùn)用于實(shí)際的工業(yè)生產(chǎn)中。為解決上述問題，本文嘗試在常規(guī)聚類算法的基礎(chǔ)上對(duì)聚類算法的性能進(jìn)行改進(jìn)，以滿足工業(yè)生產(chǎn)的應(yīng)用。

分布估計(jì)算法(Estimation of Distribution Algorithms，EDA)[13]是當(dāng)前國際進(jìn)化計(jì)算領(lǐng)域的一種新的進(jìn)化研究熱點(diǎn)。分布估計(jì)算法與遺傳算法不同，沒有傳統(tǒng)的交叉、變異等遺傳操作,它采用統(tǒng)計(jì)學(xué)習(xí)的方法建立解空間內(nèi)個(gè)體分布的概率模型,然后根據(jù)概率模型隨機(jī)采樣產(chǎn)生新的群體,如此不斷迭代,完善概率模型，實(shí)現(xiàn)種群的進(jìn)化。膜計(jì)算在1998年第一次被羅馬尼亞科學(xué)院和歐洲科學(xué)院院士提出，它是從活細(xì)胞結(jié)構(gòu)和功能中或從組織和器官等細(xì)胞群協(xié)作中抽象出來的計(jì)算模型，是一種分布式、并行式的計(jì)算模型[14]。

為了解決常規(guī)聚類算法聚類結(jié)果不穩(wěn)定，聚類質(zhì)量差的缺點(diǎn)，本文將膜計(jì)算和EDA算法的思想引入到聚類算法中，將膜計(jì)算并行計(jì)算和EDA全局尋優(yōu)的優(yōu)勢結(jié)合起來，提出了一種膜聚類算法，首先用標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)算法進(jìn)行聚類性能測試，然后將該算法應(yīng)用于風(fēng)機(jī)的振動(dòng)故障診斷系統(tǒng)中，驗(yàn)證其在實(shí)際工程應(yīng)用中的有效性。

1 傳統(tǒng)聚類算法

1.1 數(shù)據(jù)聚類

數(shù)據(jù)聚類是通過某個(gè)評(píng)價(jià)指標(biāo)，對(duì)一個(gè)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行分組的過程。一個(gè)d維歐式空間的數(shù)據(jù)聚類可描述成這樣的過程：將一個(gè)含n有個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)集根據(jù)某種相似評(píng)價(jià)指標(biāo)劃分到幾個(gè)類別中，記X={X1,X2,...,Xn}是一個(gè)由n個(gè)待分類的數(shù)據(jù)點(diǎn)組成的數(shù)據(jù)集，其中Xi={Xi1,Xi2,...,Xid}是一個(gè)d維向量，i=1,2,...,n，且Xij表示Xi的第j個(gè)特征數(shù)值。對(duì)于數(shù)據(jù)集X，聚類算法通過找到K個(gè)簇的一個(gè)劃分{C1,C2,...,CK}，使相同簇中的數(shù)據(jù)之間有最大的相似性，而不同簇之間的數(shù)據(jù)有最大的相異性。數(shù)據(jù)聚類分類后，各類別數(shù)據(jù)簇中數(shù)據(jù)應(yīng)盡可能的緊湊，而不同類別的數(shù)據(jù)簇之間盡可能的分開，且滿足以下性質(zhì)：

1)Ci≠φ，對(duì)任意i∈{1,2,...,K}；

2)Ci∩Cj=φ，對(duì)任意i≠j且i,j∈{1,2,...,K}；

在評(píng)價(jià)兩個(gè)類別的相似性時(shí)，常采用歐幾里得距離作為相似度評(píng)價(jià)指標(biāo)，任意兩個(gè)d維的數(shù)據(jù)點(diǎn)Xi和Xj的歐幾里得距離計(jì)算公式如下：

d(Xi,Xj)=

(1)

數(shù)據(jù)聚類過程中為了發(fā)現(xiàn)K個(gè)數(shù)據(jù)簇的最優(yōu)類別劃分，聚類問題常常等價(jià)簡化為一個(gè)性能指標(biāo)評(píng)價(jià)函數(shù)的最優(yōu)化問題，對(duì)于K個(gè)數(shù)據(jù)簇的聚類質(zhì)量度量，通常采用整體均方差(MSE)作為聚類性能指標(biāo)評(píng)價(jià)函數(shù)，即：

Jm(C1,C2,...,CK)=

(2)

其中，Z1,Z2,...,ZK分別是K個(gè)數(shù)據(jù)簇C1,C2,...,CK的聚類中心，且Zi∈Rd，i=1,2,...,K。

1.2 K-means算法

K-means算法是聚類問題中常見的一種非監(jiān)督學(xué)習(xí)方法。算法首先從n個(gè)待分類數(shù)據(jù)中任意選擇k個(gè)對(duì)象作為初始的聚類中心，然后對(duì)其余的數(shù)據(jù)對(duì)象，計(jì)算它們與這些聚類中心的相似度，分別將它們分配到與其最相似的數(shù)據(jù)類別中，然后再計(jì)算每個(gè)數(shù)據(jù)類別的新的聚類中心；不斷重復(fù)以上過程直到聚類性能指標(biāo)評(píng)價(jià)函數(shù)收斂為止。一般采用均方差作為聚類性能指標(biāo)評(píng)價(jià)函數(shù)，采用歐幾里得距離作為相似度評(píng)價(jià)指標(biāo)。算法步驟如下：

1)確定數(shù)據(jù)的分類數(shù)，從樣本數(shù)據(jù)中任選K個(gè)對(duì)象作為初始聚類中心c1,c2,...,cK；

2)將數(shù)據(jù)集X中的每個(gè)樣本數(shù)據(jù)按照相似度評(píng)價(jià)指標(biāo)分配到某個(gè)聚類中心所代表的數(shù)據(jù)類別中；

(3)

其中:Ni為第i個(gè)數(shù)據(jù)類別代表的聚類區(qū)域Si所包含的數(shù)據(jù)樣本個(gè)數(shù)；

K-means算法為了防止迭代過程中步驟4)不滿足結(jié)束條件而出現(xiàn)死循環(huán)的情況，可以在算法初始化時(shí)，設(shè)置最大迭代步數(shù)來避免這種情況發(fā)生[15]。

2 本文膜聚類算法

本文提出了一種在膜計(jì)算框架下融入分布估計(jì)算法的膜聚類算法，稱之為EDAPS算法。它將分布估計(jì)算法利用概率模型更新種群的方法引入到膜進(jìn)化機(jī)制中，對(duì)同一膜中的個(gè)體采用概率模型產(chǎn)生子代更新種群，同時(shí)結(jié)合膜計(jì)算中的轉(zhuǎn)運(yùn)機(jī)制，促進(jìn)不同膜間優(yōu)秀個(gè)體的交流，促進(jìn)了膜中的種群進(jìn)化，實(shí)現(xiàn)解空間最佳聚類中心的尋優(yōu)。

2.1 膜結(jié)構(gòu)

算法中所采用的膜系統(tǒng)是一種組織型膜系統(tǒng)(Tissue-like P Systems)。此膜系統(tǒng)以環(huán)境作為輸出，初始時(shí)為空，在計(jì)算過程中，最優(yōu)對(duì)象輸出存儲(chǔ)到環(huán)境中，并將最優(yōu)個(gè)體傳遞到每一個(gè)基本膜中，促進(jìn)每個(gè)膜中的種群進(jìn)化，同時(shí)保證算法的收斂性，膜結(jié)構(gòu)如圖1所示。其中M1,M2,...,Mq為q個(gè)基本膜，開始時(shí)膜M1，…，膜Mq-1初始化生成一組初始種群；膜Mq用于接收膜M1，…，膜Mq-1中的較優(yōu)個(gè)體，同時(shí)將膜中較優(yōu)的個(gè)體傳遞到基本膜中；W為環(huán)境，初始時(shí)為空，用于存儲(chǔ)當(dāng)前出現(xiàn)過的最優(yōu)個(gè)體。

圖1 本文膜聚類算法的膜結(jié)構(gòu)

初始時(shí)，系統(tǒng)將為q-1個(gè)膜生成多個(gè)初始對(duì)象，每個(gè)初始對(duì)象代表一組假定的最優(yōu)簇中心。假定數(shù)據(jù)集X有K個(gè)簇C1,C2,...,CK，對(duì)應(yīng)的簇中心分別為z1,z2,...,zK，且簇中心和數(shù)據(jù)點(diǎn)都是d維的向量，則每個(gè)基本膜中的對(duì)象可設(shè)計(jì)為如下的k×d維向量：

Z=(z11,z12,...,z1d,...,zK1,zK2,...,zKd)

(4)

其中:zi1,zi2,...,zid對(duì)應(yīng)第i個(gè)簇中心的d個(gè)分量，i=1,2,...,K。

2.2 膜進(jìn)化規(guī)則

與常規(guī)的進(jìn)化機(jī)制不同，本文算法采用概率模型采樣產(chǎn)生子代更新每個(gè)細(xì)胞膜中的個(gè)體(對(duì)象)。

選擇規(guī)則：每個(gè)膜中的所有個(gè)體可視為一個(gè)相對(duì)獨(dú)立的種群，首先對(duì)每個(gè)膜中的所有個(gè)體按照公式(2)計(jì)算其性能函數(shù)值，并進(jìn)行排序，選擇其中較好的個(gè)體保留。

概率模型：考慮到數(shù)據(jù)模型一般都可以用正態(tài)分布來表示，本文就采用正態(tài)分布的概率模型。設(shè)連續(xù)型隨機(jī)變量X服從正態(tài)分布，其概率密度為：

(5)

正態(tài)分布隨機(jī)變量x的均值E(x)=μ和方差D(x)=σ2。由概率論可知，μ，σ的估計(jì)值分別為：

(6)

(7)

由計(jì)算機(jī)仿真理論可知，設(shè)μ1和μ2是兩個(gè)獨(dú)立的(0,1)均勻分布隨機(jī)數(shù)，則正態(tài)分布X～N(μ,σ2)的隨機(jī)數(shù)為[16]：

(8)

(9)

子代產(chǎn)生：通過選擇規(guī)則選擇膜中的一部分個(gè)體計(jì)算其均值和方差得到數(shù)據(jù)的概率模型(5)，按照公式(8)或公式(9)產(chǎn)生子代個(gè)體。

轉(zhuǎn)運(yùn)規(guī)則：細(xì)胞膜之間的轉(zhuǎn)運(yùn)通道用于它們之間對(duì)象的交換與共享，如圖1所示，膜M1，…，膜Mq-1與膜Mq之間都為雙向通道，用于對(duì)象交換，即q-1個(gè)膜中的較優(yōu)對(duì)象都發(fā)送到膜Mq中，且膜Mq中的最優(yōu)個(gè)體也共享到其他各個(gè)膜中，膜Mq中對(duì)比產(chǎn)生的最優(yōu)對(duì)象作為最優(yōu)解輸出到環(huán)境中W保存。經(jīng)過一定的進(jìn)化步數(shù)后，環(huán)境中所保存的最有對(duì)象W即為最終輸出結(jié)果。

2.3 算法步驟

本文提出的膜聚類算法是一個(gè)度為5，采用概率模型進(jìn)化機(jī)制的組織型P系統(tǒng)，主要通過概率模型不斷更新P系統(tǒng)中各子系統(tǒng)的群體，為待聚類的數(shù)據(jù)集搜索其最優(yōu)的聚類中心，算法描述如下：

1)隨機(jī)初始化產(chǎn)生每個(gè)膜中的個(gè)體；

2)分別計(jì)算膜M1，…，膜Mq-1中的每個(gè)個(gè)體的性能函數(shù)值并進(jìn)行排序；

3)將膜M1，…，膜Mq-1中的較優(yōu)對(duì)象傳遞到膜Mq中，膜Mq中對(duì)比選擇膜中最優(yōu)的部分對(duì)象傳遞到膜M1，…，膜Mq-1中替換原來較差的對(duì)象，最優(yōu)對(duì)象輸出到環(huán)境W中；

4)選擇膜M1，…，膜Mq-1中較優(yōu)的部分個(gè)體計(jì)算其均值方差，建立其對(duì)應(yīng)的概率模型，并按照公式(8)或公式(9)更新膜中的個(gè)體；

5)重復(fù)步驟2)～4)，直到滿足結(jié)束條件；

6)輸出環(huán)境中的對(duì)象W，即為最終聚類中心。

3 仿真實(shí)驗(yàn)與實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)條件與數(shù)據(jù)集

實(shí)驗(yàn)中采用的計(jì)算機(jī)使用Intel(R) i5-5200U 2.20 GHz CPU，4 GB DDR3 RAM；算法編輯軟件為Matlab R2014a。為了評(píng)估本文中的膜聚類算法，實(shí)驗(yàn)中使用了4個(gè)數(shù)據(jù)集，其中1個(gè)是4維的人工數(shù)據(jù)集(Man)，另外3個(gè)是來自于UCI的真實(shí)數(shù)據(jù)集(Iris，Seeds，Glass)，表1給出了4個(gè)數(shù)據(jù)集的簡單描述。

表1 實(shí)驗(yàn)采用的數(shù)據(jù)集

3.2 輸入?yún)?shù)

在實(shí)驗(yàn)中，所提出的膜聚類算法EDAPS將與經(jīng)典的K-means聚類算法和2種典型的進(jìn)化算法在上文中的4個(gè)數(shù)據(jù)集上進(jìn)行測試驗(yàn)證，包括基于遺傳算法的聚類算法(GA-based)和基于粒子群算法的聚類算法(PSO-based)。

本文提出的膜聚類算法參數(shù)設(shè)置如下：每個(gè)細(xì)胞中對(duì)象個(gè)數(shù)N為100，最大執(zhí)行步數(shù)200，細(xì)胞1-細(xì)胞4中對(duì)象選擇比例為30%，細(xì)胞5中的精英保留比例為10%。

在實(shí)現(xiàn)其他兩種進(jìn)化算法(GA-based和PSO-based)時(shí)，通過幾組典型參數(shù)的測試結(jié)果確定其最優(yōu)參數(shù)設(shè)置如下：(1)GA-based的交叉概率Pc=0.6，變異概率Pm=0.01；(2)PSO-based參數(shù)設(shè)置為c1=c2=2.0，w=0.7298。另外，這些算法和K-means算法的進(jìn)化代數(shù)均設(shè)置為200。

3.3 實(shí)驗(yàn)結(jié)果

本文采用典型的整體均方差(公式2)來評(píng)價(jià)聚類算法的質(zhì)量，一般地，其值越小代表聚類質(zhì)量越好。考慮到這些算法包含的隨機(jī)因素，算法每次運(yùn)行的結(jié)果可能不一樣，所以每個(gè)數(shù)據(jù)集上的每種算法都獨(dú)立運(yùn)行50次，統(tǒng)計(jì)得到每種算法50次運(yùn)行的平均值、標(biāo)準(zhǔn)差、最小值和最大值，平均值反應(yīng)算法的平均性能，標(biāo)準(zhǔn)差反應(yīng)算法的魯棒性，最小值表示算法運(yùn)行最優(yōu)值，最大值表示算法運(yùn)行最差值，實(shí)驗(yàn)結(jié)果如表2～表5所示。

為了更直觀的比較各種算法的中間收斂過程，實(shí)驗(yàn)記錄了各種算法在每種數(shù)據(jù)集上的50次獨(dú)立運(yùn)行的過程收斂值，計(jì)算得到其平均收斂曲線，反映各種算法的中間收斂特性，實(shí)驗(yàn)結(jié)果如圖1～4所示。

表2 人工數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

表3 Iris數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

表4 Seeds數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

表5 Glass數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

圖2 Main數(shù)據(jù)集50次聚類中心MSE值平均變化

圖3 Iris數(shù)據(jù)集50次聚類中心MSE值平均變化

圖4 Seeds數(shù)據(jù)集50次聚類中心MSE值平均變化

圖5 Glass數(shù)據(jù)集50次聚類中心MSE值平均變化

不同算法在4個(gè)數(shù)據(jù)集上測試的實(shí)驗(yàn)結(jié)果顯示：

1)K-means算法在4個(gè)數(shù)據(jù)集上平均迭代次數(shù)7次左右開始穩(wěn)定，聚類效果在Man數(shù)據(jù)集、Iris數(shù)據(jù)集、Glass數(shù)據(jù)集上都比較差，聚類結(jié)果不穩(wěn)定；但在Seeds數(shù)據(jù)集上聚類效果比PSO-based和GA-based好，比本文EDAPS算法聚類質(zhì)量差，這是由于K-means算法本身的特性導(dǎo)致算法的性能受數(shù)據(jù)集內(nèi)在關(guān)系的影響較大；

2)本文膜聚類算法EDAPS在低維和高維聚類問題中都比K-measn算法、PSO-based和GA-based算法有更好的聚類質(zhì)量，且基于該算法的聚類結(jié)果標(biāo)準(zhǔn)差相比其他幾種算法小很多。實(shí)驗(yàn)表明此算法聚類質(zhì)量好，聚類結(jié)果穩(wěn)定可靠。

4 風(fēng)機(jī)振動(dòng)故障診斷

4.1 風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)

風(fēng)機(jī)是工業(yè)生產(chǎn)中常用的機(jī)械設(shè)備，其故障主要由振動(dòng)產(chǎn)生，其故障主要包括不平衡故障。軸承故障、不對(duì)中故障以及混合故障。故障診斷時(shí)先用本文膜聚類算法對(duì)已知的故障數(shù)據(jù)進(jìn)行聚類分析，獲得M個(gè)聚類中心{c1,c2,...,cM}。假設(shè){X1,X2,...,Xn}為待診斷的樣本數(shù)據(jù)，則樣本Xn的故障類型由公式(10)求得。即將待診斷樣本數(shù)據(jù)分配到與各已知聚類中心的歐幾里得距離最小的類別中。

(10)

(11)

待診斷樣本數(shù)據(jù)分類后加入已知的樣本數(shù)據(jù)集中，此時(shí)樣本數(shù)據(jù)集發(fā)生變化，樣本數(shù)據(jù)集的聚類中心也會(huì)發(fā)生變化，可通過公式(11)計(jì)算其新的聚類中心，然后進(jìn)行下一個(gè)樣本數(shù)據(jù)的診斷分類。在診斷過程中通過公式(10)和公式(11)不斷迭代，使診斷系統(tǒng)不斷“學(xué)習(xí)”，從而不斷調(diào)整聚類中心完善診斷系統(tǒng)。風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)的具體實(shí)現(xiàn)步驟如下：

1)采用2.3節(jié)算法對(duì)已知的故障數(shù)據(jù)進(jìn)行分類，計(jì)算得到每一類數(shù)據(jù)的聚類中心；

2)選擇一個(gè)待診斷的樣本數(shù)據(jù)，通過公式(10)將其分配到與其中聚類中心距離最小的類別中；

3)將被診斷的樣本數(shù)據(jù)加入到已經(jīng)聚類后的數(shù)據(jù)集中，通過公式(11)計(jì)算其新的聚類中心；

4)選擇下一個(gè)待診斷樣本數(shù)據(jù)重復(fù)步驟2)和步驟3)直至所有待診斷樣本數(shù)據(jù)診斷結(jié)束。

4.2 故障診斷系統(tǒng)的應(yīng)用驗(yàn)證

將4.1節(jié)中設(shè)計(jì)的風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)應(yīng)用于實(shí)際工程中的風(fēng)機(jī)振動(dòng)故障數(shù)據(jù)，進(jìn)行故障診斷分析。實(shí)驗(yàn)所采用的的數(shù)據(jù)為文獻(xiàn)17中提供的風(fēng)機(jī)振動(dòng)數(shù)據(jù)，數(shù)據(jù)分為正常狀態(tài)、不平衡故障狀態(tài)、軸承故障狀態(tài)、不對(duì)中故障狀態(tài)和軸承+不平衡故障狀態(tài)共5種數(shù)據(jù)，由于不對(duì)中故障實(shí)驗(yàn)對(duì)整體試驗(yàn)造成的破壞較大，文中僅提供了1組實(shí)驗(yàn)數(shù)據(jù)，故實(shí)驗(yàn)以其余4種狀態(tài)下的共240組數(shù)據(jù)作為測試數(shù)據(jù)進(jìn)行風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)模擬實(shí)驗(yàn)。

實(shí)驗(yàn)中以每種狀態(tài)的前40組數(shù)據(jù)作為已知狀態(tài)進(jìn)行診斷系統(tǒng)的學(xué)習(xí)，用每種狀態(tài)的后20組數(shù)據(jù)作為待分類測試數(shù)據(jù)對(duì)診斷系統(tǒng)的有效性進(jìn)行評(píng)估。

為了驗(yàn)證本文算法在風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)中的可行性，實(shí)驗(yàn)還分別采用了上文中K-means算法、PSO-based、GA-based和本文提出的膜聚類算法EDAPS進(jìn)行故障診斷結(jié)果對(duì)比，輸入?yún)?shù)與3.2節(jié)相同?？紤]到算法本身具有隨機(jī)性的特點(diǎn)；每種算法獨(dú)立重復(fù)診斷50次，其診斷結(jié)果正確率的平均值、標(biāo)準(zhǔn)差、最小值和最大值記錄于表6中。

表6 風(fēng)機(jī)振動(dòng)故障診斷結(jié)果

從表6中風(fēng)機(jī)振動(dòng)故障診斷結(jié)果可以看出K-means算法和PSO-based算法診斷結(jié)果平均準(zhǔn)確率都較低，且標(biāo)準(zhǔn)差較大，診斷結(jié)果不穩(wěn)定。GA-based算法平均診斷準(zhǔn)確率達(dá)到90.07%，而基于本文提出的膜聚類算法的平均故障診斷準(zhǔn)確率達(dá)到94.30%，比其他三種聚類算法都更準(zhǔn)確；此外，從診斷結(jié)果標(biāo)準(zhǔn)差可以看出基于本文EDAPS算法的故障診斷系統(tǒng)診斷結(jié)果更加穩(wěn)定可靠。

5 結(jié)束語

本文提出了一種膜聚類算法，結(jié)合了膜計(jì)算和分布估計(jì)算法的優(yōu)勢，首先在4個(gè)數(shù)據(jù)集上進(jìn)行聚類測試，驗(yàn)證了算法的可行性；然后將其應(yīng)用于風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)中進(jìn)行故障診斷測試，實(shí)驗(yàn)結(jié)果顯示基于該算法的風(fēng)機(jī)振動(dòng)故障診斷系統(tǒng)能夠較準(zhǔn)確的進(jìn)行故障診斷，診斷結(jié)果穩(wěn)定可靠?？蓱?yīng)用于工業(yè)環(huán)境中各類設(shè)備的振動(dòng)故障在線智能診斷系統(tǒng)中。