[发明专利]基于数据变化特征模糊度量的热量表性能退化评估方法

说明书

本发明公开了一种基于数据变化特征模糊度量的热量表性能退化评估方法，构建热量表性能退化特征集，得到表征热量表状态的最优特征集；采用密度RPCL获取两种状态的聚类个数与初始聚类中心，实现正常状态与失效状态数据分布的初始分析；分别得到热量表正常状态和失效状态的聚类中心作为退化评价基准；再分别求取当前状态到正常状态聚类中心的最小偏离系数和到失效状态聚类中心的最小偏离系数，实现当前状态分别于正常状态、失效状态的偏离程度表征；利用模糊隶属度模型求取当前状态属于正常状态的隶属度作为退化指标，实现对热量表性能退化的有效分析。以热量表试验数据为基础，本发明方法能实现更准确地热量表性能退化状态评估。

技术领域

本发明属于热量表安全技术领域，具体涉及一种基于数据变化特征模糊度量的热量表性能退化评估方法。

背景技术

目前针对热量表的研究，主要集中在推广应用、型式检定方式和耐久性试验等方面，关于热量表的性能退化状态评估方面的研究几乎为零。热量表从正常状态到失效状态，会经历不同的性能状态，通过热量表的监测数据，对其运行状态进行分析评估，对于保证热量表的长期安全可靠运行具有重要的意义。与其他设备类似，热量表性能退化状态评估的关键之一是准确建立性能退化指标，基于退化指标反映其运行状态。目前有关设备性能退化指标构建的研究方法主要包括基于单特征变量的方法，基于线性回归的方法以及基于状态偏移程度的方法。

针对热量表这类复杂的黑箱系统，用单一的评价指标去评价其退化状态并不准确，而且难以找到合适的线性回归模型去表征其退化状态，因此依靠单一的退化特征或者采用多参数的线性回归所构建的退化指标难以准确的描述热量表的退化程度。并且耐久性试验中热量表退化模式多样，个性化明显，失效时间存在很大的差异性，正常状态与失效状态有各自的数据特征，可能存在各自局部数据中心，现有的基于状态偏移的方法通常将正常与失效状态的数据聚类或者分类，缺乏对设备正常状态与失效状态的数据的充分分析，特征基准的构建不准确，也很难有效地反应其退化程度，严重影响热量表的性能退化评估有效性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于数据变化特征模糊度量的热量表性能退化评估方法，分析结果更准确，能够更早的发现热量表的早期故障，实现了热量表性能退化评估可靠性的提升。

本发明采用以下技术方案：

基于数据变化特征模糊度量的热量表性能退化评估方法，包括以下步骤：

Q1、基于热量表性能退化数据X＝(X1，X2)，包括正常状态X1和失效状态X2两部分数据，构建热量表性能退化特征集Ts，使用多指标筛选的方法得到表征热量表状态的最优特征集Tb；

Q2、基于最优特征集Tb构建样本，利用密度次胜者受罚的竞争学习理论，输入热量表性能退化样本X，包含正常状态X1和失效状态X2两种状态样本，分别获取X1、X2两种状态的聚类个数集S1＝{S11，S12}与初始聚类中心集S2＝{S21，S22}，实现正常状态与失效状态数据变化特征的初始分析；

Q3、基于热量表正常状态和失效状态的聚类个数集S1与初始聚类中心集S2，利用模糊C 均值聚类算法，分别得到热量表正常状态X1和失效状态X2的聚类中心集S3和S4，作为热量表性能退化评价基准；

Q4、基于待测热量表当前状态样本Xt，构建当前状态到正常状态X1聚类中心集的最小偏离系数D_normal和到失效状态X2聚类中心集的最小偏离系数D_Invalid，实现当前状态分别于正常状态、失效状态的偏离程度表征；

Q5、基于偏离系数D_normal和D_Invalid，构建模糊隶属度模型，即求取当前状态Xt属于正常状态X1的隶属度作为退化指标，实现对热量表性能退化的有效分析。

具体的，步骤Q1具体为：