一種基于遺傳模糊C-均值聚類的冷凍除濕機狀態(tài)監(jiān)測方法與流程

　　本發(fā)明屬于暖通空調(diào)與制冷狀態(tài)監(jiān)測與故障診斷領(lǐng)域，具體涉及一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態(tài)監(jiān)測方法。

　　背景技術(shù)：

　　隨著社會發(fā)展和生產(chǎn)的需要，冷凍除濕機廣泛應用于對環(huán)境溫濕度有要求的各種場合，如大型倉庫、地下工程、商業(yè)建筑、電子與精密儀器、紡織等領(lǐng)域，其主要作用是降低空氣濕度并對溫度進行一定程度的調(diào)節(jié)。中大型的冷凍除濕機通常是機電一體化設備，主要由制冷、通風、調(diào)溫和電控等部分組成，其工作特性具有大慣性、強耦合、非線性和多干擾等特點。對除濕機展開狀態(tài)監(jiān)測不僅能夠幫助我們了解設備性能退化程度，及時發(fā)現(xiàn)設備故障隱患，保障設備安全可靠運行，而且還有助于設備的優(yōu)化運行、對之實施節(jié)能控制以及自動化管理。從設備的可靠運行與節(jié)能角度來說，對冷凍除濕機進行狀態(tài)監(jiān)測及其故障診斷有著重要的意義，但是到目前為止有關(guān)除濕機狀態(tài)監(jiān)測及其故障診斷的研究應用并不多見。

　　隨著生產(chǎn)技術(shù)和制造業(yè)的進步，電子元器件的制造成本不斷降低，其工作的可靠性也在穩(wěn)步提高。大量廉價可靠的傳感器和數(shù)據(jù)采集裝置在暖通空調(diào)與制冷系統(tǒng)中得到了應用，一是為了實現(xiàn)自身更好的控制，二是用于自身狀態(tài)的監(jiān)測。當前暖通空調(diào)與制冷領(lǐng)域的故障監(jiān)測與診斷方法主要分為兩種：一種為基于模型的方法，另一種為基于過程歷史數(shù)據(jù)的方法，前者的應用需要依賴先驗知識建立精確的數(shù)學或物理模型，后者則主要依賴過程歷史數(shù)據(jù)進行建模，因此從工程實用的角度來說后者更容易實現(xiàn)。但基于過程歷史數(shù)據(jù)的方法又有多類，比如arx黑箱模型方法、bp或rbf人工神經(jīng)網(wǎng)絡方法、聚類方法等。雖然這些方法在一定程度上取得了較為成功的應用，但在某些方面也存在著一些不足，比如arx模型辨識依賴于經(jīng)驗知識，辨識精度有時不夠高；bp神經(jīng)網(wǎng)絡存在局部極小值問題，算法有時并不一定收斂；rbf神經(jīng)網(wǎng)絡在訓練時其網(wǎng)絡結(jié)構(gòu)和精度需要進行折衷。模糊c-均值聚類方法是聚類方法中的一種，由于融合了模糊邏輯，因此更適合應用于設備故障監(jiān)測與診斷，更主要的是計算量小，應用方便。

　　傳統(tǒng)的模糊c-均值聚類方法應用時存在兩個缺陷：一是初始聚類數(shù)通過λ-截矩陣分類方法進行確定，λ值依靠經(jīng)驗人為選取，而不同的λ值又決定不同的聚類數(shù)，由此可能會導致分類出現(xiàn)偏差，進而影響其故障監(jiān)測與診斷應用；二是方法通過迭代爬山算法來尋找所研究問題的最優(yōu)解，是一種局部搜索算法，對初始化值比較敏感，容易陷入局部極小值。

　　技術(shù)實現(xiàn)要素：

　　為解決上述技術(shù)問題，本發(fā)明提供了一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態(tài)監(jiān)測方法，該方法利用遺傳算法自動尋優(yōu)和全局搜索能力一方面可對模糊c-均值聚類方法中的聚類數(shù)進行自動選取，另一方面可對方法的解進行全局搜索，以此為基礎實現(xiàn)除濕機的狀態(tài)監(jiān)測。

　　本發(fā)明采用如下技術(shù)方案來實現(xiàn)的：

　　一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態(tài)監(jiān)測方法，包括以下步驟：

　　1)選擇與設備運行狀態(tài)密切相關(guān)的測量參數(shù)；

　　2)通過實驗與人工模擬設定除濕機不同的工作狀態(tài)；

　　3)選取用于計算設備工作狀態(tài)類中心的典型數(shù)據(jù)樣本組；

　　4)利用遺傳算法計算模糊c-均值聚類的初始聚類數(shù)，在得到初始聚類數(shù)的情況下，利用遺傳算法計算模糊c-均值聚類的聚類中心，作為標準的聚類中心，并以該聚類中心作為除濕機標準工作狀態(tài)類中心；

　　5)采集數(shù)據(jù)樣本并計算與標準聚類中心的貼近度，數(shù)據(jù)樣本由監(jiān)測設備運行狀態(tài)的傳感器獲得，樣本維數(shù)等于傳感器的個數(shù)；

　　6)根據(jù)貼近度值判斷由數(shù)據(jù)樣本代表的設備運行狀態(tài)，由此實現(xiàn)設備狀態(tài)監(jiān)測。

　　本發(fā)明進一步的改進在于，步驟1)中，利用傳感器采集與設備運行狀態(tài)密切相關(guān)的參數(shù)作為一個數(shù)據(jù)樣本，對于冷凍除濕機選擇如下參數(shù)：除濕機進風溫度、除濕機出風溫度、制冷劑蒸發(fā)溫度、制冷劑冷凝溫度、壓縮機吸氣溫度、壓縮機排氣溫度、除濕機進風相對濕度、除濕機出風相對濕度、壓縮機吸氣壓力、壓縮機排氣壓力和壓縮機功率。

　　本發(fā)明進一步的改進在于，步驟2)中，通過實驗和人工模擬方法設定除濕機常見的10種工作狀態(tài)，包括：正常狀態(tài)、蒸發(fā)器性能下降、風冷冷凝器性能下降、風機風量減少、進風口濾網(wǎng)堵塞、進風溫度偏低、冷卻水進水量過大、蒸發(fā)器供液量過大、蒸發(fā)器供液量過小和制冷劑充注量不足。

　　本發(fā)明進一步的改進在于，步驟3)中，對應除濕機的每種工作狀態(tài)，各取q個數(shù)據(jù)樣本，形成維數(shù)為q×11的數(shù)據(jù)樣本組，q為樣本個數(shù)，11為步驟1)中測量參數(shù)的個數(shù)。

　　本發(fā)明進一步的改進在于，步驟4)中，每個類中心對應除濕機的一種工作狀態(tài)，遺傳算法改進的模糊c-均值聚類方法計算過程分為如下兩步：

　　步驟4.1：利用遺傳算法代替λ-截矩陣法實現(xiàn)模糊c-均值聚類方法初始聚類數(shù)的自動優(yōu)選，遺傳解算過程如下：

　　步驟4.1.1：編碼：對初始聚類數(shù)c進行整實數(shù)編碼，取值范圍為[2,n]，其中n為樣本總數(shù)；

　　步驟4.1.2：生成初始群體：初始群體采取隨機方式生成，種群規(guī)模為80；

　　步驟4.1.3：遺傳操作：遺傳操作包括選擇、交叉和變異及其概率選擇：

　　步驟4.1.3.1：選擇

　　選擇算子采用聯(lián)賽選擇，規(guī)模為2，同時采用最佳個體保留策略；

　　步驟4.1.3.2：交叉

　　交叉算子采用算術(shù)交叉，其計算公式為：

　　其中，a1′、a2′和a1、a2分別對應交叉前后的個體，α為一隨機數(shù)，取值范圍0～1；

　　步驟4.1.3.3：變異

　　變異算子采用非均勻一致變異，其計算公式為：

　　其中，bk為變異位值，bk′為bk變異后的值，dk,max為個體位最大值，dk,min為個體位最小值，rd(·)為取整函數(shù)，β為[0,1]上的隨機數(shù)；將dk,max-bk和bk-dk,min用y代替，則δ(t,y)表示在[0,y]范圍內(nèi)符合非均勻分布的一個隨機數(shù)，它隨著進化代數(shù)t的增加而以接近于0的概率逐漸增加，其計算公式為：

　　其中，t最大代數(shù)，b為確定非均勻度的系統(tǒng)參數(shù)；

　　步驟4.1.3.4：交叉和變異概率選擇

　　交叉和變異概率采用自適應方法確定，其計算公式如下：

　　其中，fm為群體中最大的適應度值；fa為每代群體的平均適應度值；f′為要交叉的兩個個體中較大的適應度值；f為變異個體的適應度值；pc1取0.85，pc2取0.55，pm1取0.15，pm2取0.05；

　　步驟4.1.4：適應度計算

　　適應度函數(shù)設計為：

　　其中，vi和vk分別表示第i和k個聚類中心，uij表示第j個樣本xj隸屬于第i個類的隸屬度；

　　該式的計算過程如下：

　　(1)生成初始模糊隸屬矩陣u

　　uij的計算公式為：

　　uij＝[xij-min(xij)]/[max(xij)-min(xij)](7)

　　其中，i＝1,2,…c，j＝1,2,…n；

　　(2)計算聚類中心

　　vi或vk的計算公式為：

　　其中，l為迭代次數(shù)，l＝0,1,2,…；m為給定參數(shù)，取值為2；

　　(3)對模糊隸屬度矩陣u進行迭代計算

　　將模糊隸屬矩陣更新為計算公式為：

　　(4)迭代終止判定

　　給定一個非常小的正數(shù)ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結(jié)束；否則，令l＝l+1，回步驟(2)繼續(xù)迭代，最終得到分類矩陣u和聚類中心v，ε取值為10-7；

　　步驟4.1.5：遺傳算法終止

　　算法在遺傳解算到300代時終止；

　　步驟4.2：根據(jù)已得到的初始聚類數(shù)c，利用遺傳算法代替?zhèn)鹘y(tǒng)的迭代爬山法對模糊c-均值聚類的聚類中心v進行優(yōu)化計算，遺傳解算過程如下：

　　步驟4.2.1：編碼

　　用實數(shù)方式對每個初始聚類中心vi進行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素，如果聚類數(shù)為c，樣本維數(shù)為p，則染色體編碼長度為c×p；

　　步驟4.2.2：生成初始群體

　　初始群體采取隨機方式生成，種群規(guī)模為80；

　　步驟4.2.3：遺傳操作

　　選擇算子采用聯(lián)賽選擇，規(guī)模為2，同時采用最佳保留策略；交叉算子采用算術(shù)交叉，變異算子采用非均勻一致變異，為能更好地得到全局最優(yōu)解，交叉和變異概率同樣采用前面的自適應方法確定；

　　步驟4.2.4：適應度計算

　　適應度函數(shù)設計為：

　　該式的計算過程如下：

　　(1)生成初始模糊隸屬矩陣u

　　uij的計算公式為：

　　其中，i＝1,2,…c，j＝1,2,…n，o＝1,2,…p；

　　(2)聚類中心更新

　　vi的初始值由遺傳算法本身生成，迭代計算時的更新公式為：

　　(3)對模糊隸屬度矩陣u進行迭代計算

　　將模糊隸屬矩陣更新為計算公式為：

　　(4)迭代終止判定

　　給定一個正數(shù)ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結(jié)束；否則，令l＝l+1，回步驟(2)繼續(xù)迭代；

　　步驟4.2.5：遺傳算法終止

　　算法在遺傳解算到300代時終止；至此，就得到一個優(yōu)化的初始聚類中心v，并以此作為設備標準的工作狀態(tài)類中心，根據(jù)該中心與實測樣本的貼近度來實現(xiàn)設備工作狀態(tài)的判別。

　　本發(fā)明進一步的改進在于，步驟5)的具體實現(xiàn)方法如下：

　　如有c個已知模式v1,v2,…vc和一個待檢模式x，它們都是論域u上的模糊向量，若有i∈(1,2,…,c)，使得

　　則稱x與vi最貼近，式中的σ稱為兩個模糊向量的貼近度，它是對兩個向量或集合接近程度的一種度量，這里采用最小最大貼近度法，其計算公式為：

　　本發(fā)明進一步的改進在于，步驟6)的具體實現(xiàn)方法如下：

　　根據(jù)式(15)的計算結(jié)果，判斷當前實測樣本的故障狀態(tài)，判斷的依據(jù)為：

　　ifsi＝max(σ(v,x))，thenx∈i類(16)

　　其中，si為貼近度矢量s的第i個元素，i＝1,2,…c，也就是說如果樣本x與聚類中心v貼近度s中的第i個值最大，則該樣本屬于第i類，由此完成對應于該樣本的除濕機狀態(tài)判斷。

　　本發(fā)明具有如下有益的技術(shù)效果：

　　本發(fā)明首先選取與設備運行狀態(tài)密切相關(guān)的測量參數(shù)和模擬設備不同工況下的工作狀態(tài)，并利用傳感器對這些參數(shù)進行采集，以形成不同狀態(tài)下的典型數(shù)據(jù)樣本組；其次利用遺傳算法改進的模糊c-均值聚類方法計算得到數(shù)據(jù)樣本組的聚類中心v；最后通過傳感器在線實測設備運行數(shù)據(jù)與標準聚類中心貼近度的大小來監(jiān)測和判斷除濕機運行狀態(tài)。遺傳算法改進的模糊c-均值聚類方法分為兩步：首先應用遺傳算法對模糊c-均值聚類的初始聚類數(shù)c進行自動優(yōu)選，以減少傳統(tǒng)選取方法中對專家知識的依賴；其次利用遺傳算法對數(shù)據(jù)樣本組的聚類中心v進行優(yōu)化計算，以減少傳統(tǒng)求解方法中存在的局部極小值問題。

　　與現(xiàn)有技術(shù)相比，本發(fā)明可以自動實現(xiàn)設備狀態(tài)監(jiān)測；應用遺傳算法對模糊c-均值聚類方法改進后，既可以自動優(yōu)選初始聚類數(shù)，又可以優(yōu)化標準聚類中心；通過實測設備運行樣本與標準聚類中心貼近度來對設備運行狀態(tài)進行判斷，從而減少了人為主觀因素，提高了判斷設備運行狀態(tài)的科學性。本發(fā)明從提高模糊c-均值聚類方法的可操作性、準確性、科學性和魯棒性入手，來獲取在除濕機狀態(tài)監(jiān)測中更好的應用效果，具有明顯的推廣和工程應用價值。

　　附圖說明

　　圖1為本發(fā)明的流程圖。

　　具體實施方式

　　以下結(jié)合附圖和實施例對本發(fā)明做出進一步的說明。

　　如圖1所示，本發(fā)明提供的一種基于遺傳模糊c-均值聚類的冷凍除濕機狀態(tài)監(jiān)測方法，包括以下步驟：

　　步驟1：利用傳感器采集與設備運行狀態(tài)密切相關(guān)的參數(shù)作為一個數(shù)據(jù)樣本，對于冷凍除濕機選擇如下參數(shù)：除濕機進風溫度、除濕機出風溫度、制冷劑蒸發(fā)溫度、制冷劑冷凝溫度、壓縮機吸氣溫度、壓縮機排氣溫度、除濕機進風相對濕度(rh)、除濕機出風相對濕度(rh)、壓縮機吸氣壓力、壓縮機排氣壓力和壓縮機功率，共11個參數(shù)；

　　步驟2：通過實驗和人工模擬方法設定除濕機常見的10種工作狀態(tài)，包括：正常狀態(tài)、蒸發(fā)器性能下降、風冷冷凝器性能下降、風機風量減少、進風口濾網(wǎng)堵塞、進風溫度偏低、冷卻水進水量過大、蒸發(fā)器供液量過大、蒸發(fā)器供液量過小和制冷劑充注量不足；

　　步驟3：對應除濕機的每種工作狀態(tài)，各取q個數(shù)據(jù)樣本，形成維數(shù)為q×11的數(shù)據(jù)樣本組，q為樣本個數(shù)(這里取值為20)，11為步驟1中測量參數(shù)的個數(shù)；

　　步驟4：以選取的數(shù)據(jù)樣本組為基礎，應用基于遺傳算法改進的模糊c-均值聚類方法計算數(shù)據(jù)樣本組的聚類中心，并以該聚類中心作為除濕機標準工作狀態(tài)類中心，每個類中心對應除濕機的一種工作狀態(tài)；遺傳算法改進的模糊c-均值聚類方法計算過程分為如下兩步：

　　步驟4.1：利用遺傳算法代替λ-截矩陣法實現(xiàn)模糊c-均值聚類方法初始聚類數(shù)的自動優(yōu)選，以提高初始聚類數(shù)選擇的科學性，減少對專家經(jīng)驗知識的依賴，遺傳解算過程如下：

　　步驟4.1.1：編碼：對初始聚類數(shù)c進行整實數(shù)編碼，取值范圍為[2,n]，其中n為樣本總數(shù)；

　　步驟4.1.2：生成初始群體：初始群體采取隨機方式生成，種群規(guī)模為80；

　　步驟4.1.3：遺傳操作：遺傳操作包括選擇、交叉和變異及其概率選擇：

　　步驟4.1.3.1：選擇

　　選擇算子采用聯(lián)賽選擇，規(guī)模為2，同時采用最佳個體保留策略；聯(lián)賽選擇方法的基本思想是從群體中隨機選擇一定數(shù)目(聯(lián)賽規(guī)模)的個體，其中適應度最高的個體保存到下一代，這一過程多次執(zhí)行，直到保存到下一代的個體數(shù)目達到種群規(guī)模為止；最佳保留策略就是把群體中適應度最高的個體直接復制到下一代，不參加交叉和變異遺傳操作，由此可延長部分染色體的生存壽命，避免最佳個體被遺傳運算所破壞，既可保證方法的收斂性，又能使優(yōu)良基因不至于過早丟失；

　　步驟4.1.3.2：交叉

　　交叉算子采用算術(shù)交叉，其計算公式為：

　　其中，a1′、a2′和a1、a2分別對應交叉前后的個體，α為一隨機數(shù)，取值范圍0～1；

　　步驟4.1.3.3：變異

　　變異算子采用非均勻一致變異，其計算公式為：

　　其中，bk為變異位值，bk′為bk變異后的值，dk,max為個體位最大值，dk,min為個體位最小值，rd(·)為取整函數(shù)，β為[0,1]上的隨機數(shù)；將dk,max-bk和bk-dk,min用y代替，則δ(t,y)表示在[0,y]范圍內(nèi)符合非均勻分布的一個隨機數(shù)，它隨著進化代數(shù)t的增加而以接近于0的概率逐漸增加，其計算公式為：

　　其中，t最大代數(shù)，b為確定非均勻度的系統(tǒng)參數(shù)；

　　步驟4.1.3.4：交叉和變異概率選擇

　　為能更好地得到全局最優(yōu)解，交叉和變異概率采用自適應方法確定，其計算公式如下：

　　其中，fm為群體中最大的適應度值；fa為每代群體的平均適應度值；f′為要交叉的兩個個體中較大的適應度值；f為變異個體的適應度值；pc1取0.85，pc2取0.55，pm1取0.15，pm2取0.05。

　　步驟4.1.4：適應度計算

　　適應度函數(shù)設計為：

　　其中，vi和vk分別表示第i和k個聚類中心，uij表示第j個樣本xj隸屬于第i個類的隸屬度。

　　該式的計算過程如下：

　　(1)生成初始模糊隸屬矩陣u

　　uij的計算公式為：

　　uij＝[xij-min(xij)]/[max(xij)-min(xij)](7)

　　其中，i＝1,2,…c，j＝1,2,…n。

　　(2)計算聚類中心

　　vi或vk的計算公式為：

　　其中，l為迭代次數(shù)，l＝0,1,2,…；m為給定參數(shù)，這里取值為2。

　　(3)對模糊隸屬度矩陣u進行迭代計算

　　將模糊隸屬矩陣更新為計算公式為：

　　(4)迭代終止判定

　　給定一個非常小的正數(shù)ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結(jié)束；否則，令l＝l+1，回步驟(2)繼續(xù)迭代，最終得到分類矩陣u和聚類中心v，這里ε取值為10-7。

　　步驟4.1.5：遺傳算法終止

　　算法在遺傳解算到300代時終止；

　　步驟4.2：根據(jù)已得到的初始聚類數(shù)c，利用遺傳算法代替?zhèn)鹘y(tǒng)的迭代爬山法對模糊c-均值聚類的聚類中心v進行優(yōu)化計算，以克服原求解方法容易出現(xiàn)的局部極小值問題，遺傳解算過程如下：

　　步驟4.2.1：編碼

　　用實數(shù)方式對每個初始聚類中心vi進行編碼，范圍為[minxij,maxxij]，其中xij為樣本矩陣元素。如果聚類數(shù)為c，樣本維數(shù)為p，則染色體編碼長度為c×p；

　　步驟4.2.2：生成初始群體

　　初始群體采取隨機方式生成，種群規(guī)模為80；

　　步驟4.2.3：遺傳操作

　　選擇算子采用聯(lián)賽選擇，規(guī)模為2，同時采用最佳保留策略；交叉算子采用算術(shù)交叉，變異算子采用非均勻一致變異，為能更好地得到全局最優(yōu)解，交叉和變異概率同樣采用前面的自適應方法確定；

　　步驟4.2.4：適應度計算

　　適應度函數(shù)設計為：

　　該式的計算過程如下：

　　(1)生成初始模糊隸屬矩陣u

　　uij的計算公式為：

　　其中，i＝1,2,…c，j＝1,2,…n，o＝1,2,…p。

　　(2)聚類中心更新

　　vi的初始值由遺傳算法本身生成，迭代計算時的更新公式為：

　　(3)對模糊隸屬度矩陣u進行迭代計算

　　將模糊隸屬矩陣更新為計算公式為：

　　(4)迭代終止判定

　　給定一個非常小的正數(shù)ε＝10-7，檢驗是否滿足||u(l+1)-u(l)||＜ε，若滿足，迭代結(jié)束；否則，令l＝l+1，回步驟(2)繼續(xù)迭代。

　　步驟4.2.5：遺傳算法終止

　　算法在遺傳解算到300代時終止；至此，就可以得到一個優(yōu)化的初始聚類中心v，并以此作為設備標準的工作狀態(tài)類中心，根據(jù)該中心與實測樣本的貼近度來實現(xiàn)設備工作狀態(tài)的判別；

　　步驟5：計算貼近度

　　如有c個已知模式v1,v2,…vc和一個待檢模式x，它們都是論域u上的模糊向量，若有i∈(1,2,…,c)，使得

　　則稱x與vi最貼近，式中的σ稱為兩個模糊向量的貼近度，它是對兩個向量或集合接近程度的一種度量，這里采用最小最大貼近度法，其計算公式為：

　　步驟6：判別設備運行狀態(tài)

　　根據(jù)式(15)的計算結(jié)果，判斷當前實測樣本的故障狀態(tài)。判斷的依據(jù)為：

　　ifsi＝max(σ(v,x))，thenx∈i類(16)

　　其中，si為貼近度矢量s的第i個元素，i＝1,2,…c，也就是說如果樣本x與聚類中心v貼近度s中的第i個值最大，則該樣本屬于第i類，由此完成對應于該樣本的除濕機狀態(tài)判斷。

　　實施例：

　　現(xiàn)以cftz-21型冷凍式調(diào)溫型除濕機為例進行說明，通過實驗和數(shù)據(jù)采集裝置可得到除濕機10種工作狀態(tài)下的數(shù)據(jù)，其中1種為正常工作狀態(tài)；其余9種為性能下降狀態(tài)，分別對應蒸發(fā)器性能下降20％、風冷冷凝器性能下降20％、風機風量減少10％、進風口濾網(wǎng)堵塞30％、進風溫度為16℃、進水量比正常值多30％、蒸發(fā)器供液量比正常值多10％、蒸發(fā)器供液量比正常值少10％和制冷劑充注量比正常值少20％。通過本發(fā)明的遺傳模糊c-均值聚類方法步驟可先后得到初始聚類數(shù)和聚類中心，并將該聚類中心作為標準的聚類中心，如表1所示。

　　表1標準聚類中心

　　得到聚類中心后，任取兩個除濕機當前運行狀態(tài)下的樣本：

　　x1＝(19.34,24.00,5.43,22.33,11.18,59.95,49.71％,34.49％,10.24,5.71,5.61),

　　x2＝(17.22,21.05,2.79,19.87,8.45,56.95,49.49％,36.58％,9.23,5.38,5.28)

　　與表1中的聚類中心進行最大最小進行貼近度計算，得：

　　σ(v,x1)＝[0.9983,0.9043,0.9443,0.7728,0.9750,0.8942,0.9493,0.9586,0.6647,0.9254],

　　σ(v,x2)＝[0.8936,0.8751,0.8543,0.7337,0.8947,0.9982,0.8886,0.8716,0.6035,0.9635].

　　根據(jù)式(16)的判斷規(guī)則，可判定樣本x1屬于第1類，樣本x2屬于第6類，分別對應于除濕機的正常工作和進風溫度過低狀態(tài)，即完成了除濕機當前運行狀態(tài)的判斷。