Застосування методу кластеризації для прогнозування значень продуктивності відцентрового нагнітача
DOI:
https://doi.org/10.31471/1993-9981-2025-2(55)-101-107Ключові слова:
відцентровий нагнітач, об’ємна продуктивність, кластеризація, прогнозування, Fuzzy C-Means, субтрактивна нечітка кластеризаціяАнотація
Проаналізовано підходи до прогнозування значень об’ємної продуктивності відцентрового нагнітача, що базуються на методах кластеризації. Основною перевагою запропонованих підходів над традиційними моделями прогнозування є їхня здатність враховувати стохастичний характер експериментальних даних та використовувати сучасні інформаційні технології, зокрема елементи нечіткої логіки, штучні нейронні мережі та генетичні алгоритми. Завдяки використанню багаторазових ітеративних процедур забезпечується поступове зниження похибки цільової функції до необхідного рівня, що сприяє підвищенню точності прогнозних результатів. Зокрема, розроблено метод прогнозування на основі алгоритму Fuzzy C-Means, який ґрунтується на концепції нечітких c-середніх. Його реалізацію здійснено в програмному середовищі Matlab. У межах цього підходу було встановлено 20 кластерів, а кількість ітераційних кроків складала до 100. Отримане середньоквадратичне відхилення становить 0.04, що свідчить про прийнятну точність моделі. Окрім цього, у роботі розглянуто альтернативний метод прогнозування на основі алгоритму субтрактивної нечіткої кластеризації. Побудова системи нечітких правил відбувалася автономно на основі експериментальних вимірювань із застосуванням моделі типу Сугено. Для кожного з досліджуваних об'єктів обчислювалося значення потенціалу, що характеризує ймовірність утворення кластера у його околі. Центри кластерів визначались ітераційно на основі точок із найбільшим потенціалом. У результаті середньоквадратичне відхилення, що було отримано для цього підходу, дорівнює 0.019, що підтверджує вищу точність прогнозування порівняно з методом Fuzzy C-Means. Апробація розглянутих методів здійснювалась на основі реальних експериментальних даних, що були зібрані під час експлуатації відцентрового нагнітача моделі 16 ГЦ2-396/53-78С у Долинському лінійному виробничому управлінні магістральних газопроводів у листопаді 2015 року
Завантаження
Посилання
1. Bezdek J.C., Keller J.M., Krishnapuram R., Pal N.R. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing. Springer. 2005. 432 p. URL: https://link.springer.com/book/10.1007/b106267
2. Phu L., Anh D.T. Mostif-based method for initialization the K-means clustering for time series data. Springer. 2011. Vol. 7106. P. 11–20. doi: 10.1007/978-3-642-25832-9_2
3. Gonzalez H., Han J., Li X., Mythili V., Wang X. Adaptive mining of data streams using ensemble classifiers. ACM SIGMOD Record. 2012. № 41(1). P. 20–27.
4. Chatfield C. The Analysis of Time Series: An Introduction, Sixth Edition. CRC Press. 2009.
352 p.
5. Widiputra H., Kho H., Pears R., Kasabov N. A novel evolving clustering algorithm with polynomial regression for chaotic time-series prediction. Neural Inf Process. 2009. Vol. 5864. P. 114–121. doi: 10.1007/978-3-642-10684-2_13
6. Jang J.-S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23(3). P. 665–685. doi: 10.1109/21.256541
7. Wang J., Chi D., Wu J., Lu H. Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting. Expert Systems with Applications. 2011. Vol. 38. P. 8419–8429. doi 10.1016/j.eswa.2011.01.037
8. Ahmed M.U., Begg R.K., Hassan M.M. A fuzzy approach for the evaluation of cluster validity indices. Pattern Recognition. 2012. Vol. 45(1). P. 336–346.
.png)
