基于改进FCM的变压器故障模糊分类方法

变压器油中溶解气体分析(DGA)是识别变压器的故障类型的一项重要技术,模糊聚类是一种有效的分析手段。但传统模糊聚类算法存在对随机初始化的聚类中心敏感、隶属度函数的有效度量范围较小使其容易陷入局部极值点的问题,因而实际分类效果不佳。针对传统FCM的不足,首先采用Canopy算法对DGA数据进行粗聚类,将其结果作为后续FCM聚类的初始聚类中心和最佳聚类数,降低了人为和随机初始化参数的主观性;然后通过引入负指数函数形式的相似度指标重构了FCM隶属度的迭代函数,降低了算法陷入局部极值点的可能性;最后通过对故障气体数据进行实例分析,验证了改进后的算法在识别变压器故障类别上的有效性和实用性。

基于聚类的模糊柴油机故障诊断

在柴油机系统故障诊断背景问题的研究中,针对系统的安全准确预测故障类型,提出了一种从柴油机故障历史数据样本中提取模糊规则的方法,将隐含于样本中的专家知识转化为更易于理解的模糊规则,并以此建立模糊故障分类器和模糊故障诊断系统。先利用减法聚类获得故障数据中具有代表性的样本,以样本为基础,生成模糊规则,进行优化后,通过规则综合再应用于柴油机故障诊断。通过仿真表明,与现有的常规方法相比,在柴油机故障诊断上有较好的效果,故障诊断精度也大大提高。