基于數(shù)據(jù)場(chǎng)模型的提升機(jī)故障診斷方法研究.pdf

1、礦井提升機(jī)故障診斷對(duì)煤礦安全生產(chǎn)至關(guān)重要。提升機(jī)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(jī)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(duì)初始聚類中心敏感,且魯棒性較差。數(shù)據(jù)場(chǎng)模型作為一種描述數(shù)據(jù)對(duì)象間非接觸相互作用的數(shù)學(xué)模型,能夠很好地揭示數(shù)據(jù)對(duì)象的聚類特性。各種提升機(jī)故障數(shù)據(jù)間不孤立,而是存在相互的作用與聯(lián)系。本文將數(shù)據(jù)場(chǎng)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(jù)場(chǎng)模型的優(yōu)點(diǎn)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(jù)場(chǎng)模型和模糊 C均值的聚類算法。該算法在構(gòu)建提升機(jī)故障數(shù)據(jù)場(chǎng)的基礎(chǔ)上,利用故障點(diǎn)在數(shù)據(jù)場(chǎng)中的勢(shì)值找出噪聲點(diǎn)并剔除,并利用故障點(diǎn)在數(shù)據(jù)場(chǎng)中呈現(xiàn)的自然聚集特性選擇初始聚類中心,指導(dǎo)模糊 C均值聚類,優(yōu)化聚類性能。對(duì)Aggregation數(shù)據(jù)集實(shí)驗(yàn)結(jié)果表明,基于數(shù)據(jù)場(chǎng)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(jù)場(chǎng)模型和譜聚類的聚類算法。該算法利用數(shù)據(jù)場(chǎng)模型對(duì)傳統(tǒng)譜聚類的相似度矩陣構(gòu)造進(jìn)行適當(dāng)調(diào)整,借助數(shù)據(jù)場(chǎng)模型給出譜聚類算法的k值和初始聚類中心點(diǎn),最后利用 K-means聚類算法進(jìn)行聚類劃分。對(duì) Iris數(shù)據(jù)集、Wine數(shù)據(jù)集和Zoo數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,基于數(shù)據(jù)場(chǎng)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(zhǔn)確性。
　　將基于數(shù)據(jù)場(chǎng)模型和模糊 C均值的聚類算法、基于數(shù)據(jù)場(chǎng)模型和譜聚類的聚類算