基于數(shù)據場模型的提升機故障診斷方法研究.pdf

1、礦井提升機故障診斷對煤礦安全生產至關重要。提升機故障診斷的方法有很多,模糊C均值方法和譜聚類是兩種典型方法。傳統(tǒng)模糊C均值方法因隨機中心的不確定性而容易陷入局部最優(yōu),而傳統(tǒng)譜聚類則需要人為地確定聚類數(shù)目,對初始聚類中心敏感,且魯棒性較差。數(shù)據場模型作為一種描述數(shù)據對象間非接觸相互作用的數(shù)學模型,能夠很好地揭示數(shù)據對象的聚類特性。各種提升機故障數(shù)據間不孤立,而是存在相互的作用與聯(lián)系。本文將數(shù)據場模型引入到模糊 C均值方法和譜聚類方法中,借

2、助數(shù)據場模型的優(yōu)點改善兩種算法存在的缺陷與不足,提高故障診斷的性能。
　　提出基于數(shù)據場模型和模糊 C均值的聚類算法。該算法在構建提升機故障數(shù)據場的基礎上,利用故障點在數(shù)據場中的勢值找出噪聲點并剔除,并利用故障點在數(shù)據場中呈現(xiàn)的自然聚集特性選擇初始聚類中心,指導模糊 C均值聚類,優(yōu)化聚類性能。對Aggregation數(shù)據集實驗結果表明,基于數(shù)據場模型的模糊C均值的聚類算法能夠有效避免傳統(tǒng)模糊 C均值方法存在的缺陷與不足,提高故障診

3、斷的性能。
　　提出基于數(shù)據場模型和譜聚類的聚類算法。該算法利用數(shù)據場模型對傳統(tǒng)譜聚類的相似度矩陣構造進行適當調整,借助數(shù)據場模型給出譜聚類算法的k值和初始聚類中心點,最后利用 K-means聚類算法進行聚類劃分。對 Iris數(shù)據集、Wine數(shù)據集和Zoo數(shù)據集的實驗結果表明,基于數(shù)據場模型和譜聚類的聚類算法能夠有效提高譜聚類算法的穩(wěn)定性與準確性。
　　將基于數(shù)據場模型和模糊 C均值的聚類算法、基于數(shù)據場模型和譜聚類的聚類算