改进的模糊聚类在控制系统故障诊断中的应用

计算机工程与科学

改进的模糊聚类在控制系统故障诊断中的应用

王印松，商丹丹，王艳飞，张婉君

（华北电力大学控制与计算机工程学院，河北保定 071000）

收稿日期:2016-04-13 修回日期:2016-09-18 出版日期:2018-02-25 发布日期:2018-02-25

Control system fault diagnosis using improved fuzzy clustering

WANG Yin-song,SHANG Dan-dan,WANG Yan-fei,ZHANG Wan-jun

（School of Control and Computer Engineering，North China Electric Power University，Baoding 071000，China）

Received:2016-04-13 Revised:2016-09-18 Online:2018-02-25 Published:2018-02-25

摘要/Abstract

摘要：

为了提高控制系统中传感器与执行器故障诊断的准确性，结合小波分析特征提取的优势和密度函数加权模糊C-均值聚类具有较好分类效果的特点，提出了一种新的控制系统故障诊断方法。该方法首先利用小波分析对故障信号进行特征提取，降低噪声的影响；然后对特征提取后的数据通过加权模糊C-均值聚类算法，对故障进行识别分类。实验表明，基于小波分析和加权模糊C-均值聚类相结合的方法，不仅可以识别不同部件的故障，而且可以对同一部件的不同类型的故障进行诊断。

关键词: 故障诊断, 控制系统, 小波分析, 模糊C-均值聚类, 密度函数加权

Abstract:

In order to improve the fault diagnosis accuracy of the sensor and actuator of the control system, we propose a new control system fault diagnosis method by combining the advantages of wavelet analysis for extracting features with the good clustering effect of the fuzzy C-means algorithm based on a weighted density function. Firstly, we use wavelet analysis to extract the features of fault signals to reduce the influence of noise. Secondly, we employ the fuzzy C-means clustering algorithm to classify the data whose features have been extracted. Experimental results show that the proposed algorithm can not only identify the fault of different components, but also diagnose different types of faults on the same part.

Key words: fault diagnosis, control system, wavelet analysis, fuzzy C-means clustering, weighted density function

王印松，商丹丹，王艳飞，张婉君. 改进的模糊聚类在控制系统故障诊断中的应用[J]. 计算机工程与科学.

WANG Yin-song,SHANG Dan-dan,WANG Yan-fei,ZHANG Wan-jun. Control system fault diagnosis using improved fuzzy clustering[J]. Computer Engineering & Science.

[1]	周成江, 贾云华, 张雨宽, 禄俊. 基于FCEEMD复合筛选的故障特征提取方法[J]. 计算机工程与科学, 2023, 45(11): 2070-2077.
[2]	陈财森, 胡海荣, 程志炜, 房璐璐. 基于BA-RVM算法的发动机故障诊断技术研究[J]. 计算机工程与科学, 2023, 45(02): 332-337.
[3]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[4]	谢祥颖, 刘虎, 王栋, 冷彪. 基于深度残差网络的光伏故障诊断模型研究[J]. 计算机工程与科学, 2021, 43(12): 2223-2230.
[5]	孙庞博, 符琦, 陈安华, 蒋云霞. 基于组合预测模型的小样本轴承故障分类诊断 [J]. 计算机工程与科学, 2021, 43(09): 1684-1691.
[6]	张玲. MEDA芯片菊花链的自动容错设计[J]. 计算机工程与科学, 2021, 43(07): 1192-1199.
[7]	林涛, 张达, 王建君. 改进LSTM-RF算法的传感器故障诊断与数据重构研究[J]. 计算机工程与科学, 2021, 43(05): 845-852.
[8]	曾广福,何浩辰,周书林. #br# 一种面向枚举类型的配置约束提取方法[J]. 计算机工程与科学, 2020, 42(04): 634-640.
[9]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.
[10]	胡军,张维珺,李宛倩. 面向需求的安全关键系统形式化建模与验证方法研究[J]. 计算机工程与科学, 2019, 41(08): 1426-1433.
[11]	颜学龙,汪斌斌. 自适应狼群算法优化ELM的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(02): 246-252.
[12]	颜学龙，龚流青，汪斌斌. 基于DCQGA-SMKL-SVM的模拟电路故障诊断方法[J]. 计算机工程与科学, 2018, 40(11): 1944-1950.
[13]	姬孟洛1，舒云星1，黄辰林2，高翔1，陶荣1. 嵌入式控制系统程序模式的自动分析方法[J]. 计算机工程与科学, 2017, 39(07): 1338-1345.
[14]	徐曼舒，汪继文，邱剑锋，王心灵. 基于改进人工蜂群的模糊C-均值聚类算法[J]. J4, 2016, 38(06): 1238-1243.
[15]	宣恒农，苗春玲，赵冬. 基于蝙蝠算法的系统级故障诊断研究[J]. J4, 2016, 38(04): 640-647.