基于组合赋权法的采煤机健康状态评估方法研究.pdf

第 48 卷第 6 期煤 炭 科 学 技 术Vol. 48 No. 6 2020 年6 月Coal Science and Technology Jun.2020 煤矿机电与智能化 移动扫码阅读 曹现刚,雷一楠,宫钰蓉,等.基于组合赋权法的采煤机健康状态评估方法研究[J].煤炭科学技术,2020,48 6135-141. doi10. 13199/ j. cnki. cst. 2020. 06. 017 CAO Xiangang,LEI Yinan,GONG Yurong,et al.Study on health assessment of shearer based on combination weighting [ J ]. CoalScienceandTechnology, 2020, 48 6 135 - 141. doi 10. 13199/ j. cnki. cst. 2020. 06. 017 基于组合赋权法的采煤机健康状态评估方法研究 曹现刚,雷一楠,宫钰蓉,张树楠,罗 璇 西安科技大学 机械工程学院,陕西 西安 710054 摘 要采煤机作为煤矿开采的核心设备,结构复杂、运行环境恶劣、采煤落煤时受巨大负载冲击,易发生 各种故障导致停机停产。 因此,采煤机的健康状态直接影响煤矿企业生产效益。 针对采煤机健康状态评估 难的问题,提出一种基于组合赋权法的采煤机健康状态评估模型,根据采煤机运行特点构建其健康状态指 标体系,采用基于层次分析法与熵权法的组合赋权法得到同时具有主观与客观意义的综合权重；依据灰色 聚类法与模糊综合评价法分别完成对采煤机关键部件及整机的健康状态评估。 仿真结果表明基于组合赋 权法所得状态评估结果准确率为 84.33％,高于层次分析法或熵权法单一使用所得评估结果的准确率。 该 方法可有效解决采煤机状态评估困难的问题,为后续寿命预测与维护决策奠定基础。 关键词采煤机；健康状态评估；模糊综合评价法；灰色聚类法；层次分析法；熵权法；组合赋权法 中图分类号TD421 文献标志码A 文章编号0253-2336202006-0135-07 Study on health assessment of shearer based on combination weighting CAO Xiangang,LEI Yinan,GONG Yurong,ZHANG Shunan,LUO Xuan Mechanical Engineering Department,Xi’an University of Science and Technology,Xi’an 710054,China AbstractAs the core equipment for coal mining, the shearer has complicated structure, poor operating environment, and is susceptible to huge loads at the time of mining and coal falling, causing various failures and shutdown. Therefore, the health status of the shearer directly affects the production efficiency of coal mining enterprises. In view of the difficulty of assessing the health status of the shearer, a shearers health status uation model based on the combined weighting is proposed. Firstly, according to the operation characteristics of the shearer, the health status indicator system is constructed. The combined weighting based on the analytical hierarchy process and the entropy weight is used to obtain the comprehensive weights with both subjective and objective meanings. According to the gray clustering and the fuzzy comprehensive uation , the assessment of the health status of the key components of the shearer and the complete machine were completed. The simulation results show that the accuracy of the state uation results based on the combination weighting is 84.33％, which is higher than the accuracy of the uation results obtained by using the analytic hi- erarchy process or the entropy weight . The can effectively solve the problem of difficulty in the state uation of the shearer, and lays a foundation for the subsequent life prediction and maintenance decision. Key wordsshearer;health status assessment;fuzzy comprehensive uation;gray clustering ;analytic hierarchy process;entropy weight ;combined weighting 收稿日期2019-10-11;责任编辑赵 瑞 基金项目国家自然科学基金重点资助项目51834006;国家自然科学基金资助项目51875451 作者简介曹现刚1970,男,山东莒南人,教授,博士。 E-mail172833610＠ 0 引 言 采煤机作为综采成套装备之一[1],长期处于高 负载的恶劣环境,其健康状态变化与常用设备存在 一定的差异[2-3]。 研究采煤机退化数据,借助健康 状态评估技术分析其健康状态变化,对提高设备可 531 2020 年第 6 期煤 炭 科 学 技 术第 48 卷 靠性及安全性,减低设备故障率具有重大意义[4]。 近年国内外学者研究设备健康状态评估方法包括支 持向量机、 马尔科夫理论、 神经网络、 深度学习 等[5-8]。 文献[9]结合模糊最小二乘法与支持向量 机建立低压微电网群运行状态实时评估模型,利 用该模型对电网的实时运行状态进行评估,最终 确定微电网群运行状态。 文献[10]通过灰色关系 GR模型定义和计算风力涡轮机叶片健康程度, 以定量评估风力涡轮机叶片的健康状况。 通过层 次分析法和模糊AHP-Fuzzy决策方法确定决策 目标和健康管理决策的权重。 文献[11]根据模糊 层次分析法提出一种变压器状态评估方法。 该方 法针对传统方法存在人为因素的问题,结合历史 数据确定判断矩阵,计算权重并求加权和,最后确 定设备状态。 文献[12]提出了一种基于阶次熵权 法的低压配电网健康状态评估方法。 目前对设备 健康状态评估主要应用于航空航天,电力领用,在 煤矿领域应用较少。 综上所述,针对指标权重无法反映指标重要性 及监测参数存在随机性和模糊性的问题,采用组合 赋权法将 2 种单一赋权法结合,得到同时具有主观 和客观意义的综合权重。 针对模糊综合评价法存在 不确定性和隶属度函数构造问题,采用基于中心点 型的白化权函数构造隶属度函数解决灰类边界划分 不清的问题,结合状态数据研究采煤机退化规律,完 成底层指标的健康状态评估。 1 采煤机健康状态评估框架 1.1 采煤机健康状态评估流程 采煤机作为技术密集的复杂结构系统,由多个 不同功能的子系统构成,且每个子系统对采煤机健 康状态影响程度不同。 受技术条件、环境等因素制 约,准确完成评价因素的权重分配对评估采煤机健 康状态至关重要。 鉴于此,将采煤机视为一个灰色 系统[13],从中获取反映健康状态本质属性的因素, 结合灰色聚类法、模糊评价法及组合赋权法,完成对 采煤机健康状态综合评估的目标。 层次分析法与熵 权法是解决权重分配问题的有效方法,层次分析法 将专家思维科学层次化,根据专家经验将评判因子 转换成评判矩阵,获得合理权重[14]。 熵权法用于度 量状态的不确定性,根据指标信息量确定客观权 重[15]。 由于层次分析法与熵权法各有利弊,无法同 时反映主客观信息[16],因此,将 2 种单一赋权法结 合,使得权重更科学合理。 再通过灰色聚类法与模 糊综合评价法完成采煤机的健康状态评估。 采煤机 健康状态综合评估流程如图 1 所示。 图 1 采煤机健康状态综合评估流程 Fig.1 Comprehensive assessment process for health status of shearer 1.2 评价指标体系 为全面反映采煤机健康状态,以状态数据为依 据,对采煤机运行特点分析可知截割部、牵引部、液 压部等为易发生故障的子系统。 根据专家经验与状态数据,整理影响健康状 态的指标建立指标体系,指标体系由指标层和目 标层构成。 截割部、牵引部、液压部、变频器为影 响采煤机健康状态关键因素,构成一级指标;截割 部的评估指标为截割电动机电流、截割轴轴温、截 割电动机振动、截割电动机温度;牵引部的评估指 标为牵引电动机温度、牵引电动机电流、牵引电动 机振动、牵引电动机转速;液压部评估指标为泵电 流、泵工作转速、调高泵压力;变频器评估指标为 变频器电流、温度、转速、转矩。 构成底层指标,采 煤机整体健康状态评估为目标层。 采煤机指标体 系如图 2 所示。 631 曹现刚等基于组合赋权法的采煤机健康状态评估方法研究2020 年第 6 期 图 2 采煤机健康状态指标体系 Fig.2 Indicator system of shearer health status 2 采煤机健康状态评估模型构建 2.1 健康状态评语集和灰色白化权函数 灰色聚类法是对评估对象定量描述其隶属某灰 度的程度,根据被评估指标大小变化的关系[17]。 笔 者采用中心点型的三角白化权函数对设备进行健康 状态评估[18]。 具体计算步骤如下 1假设被评估的对象有 n 个,评估指标有 m 个。 评估指标分成 s 个灰类,对应的 ii ＝ 1,2,, m指标取值范围也为 s 个灰类。 设 λk为第 k 个灰 类的中心点,灰类 k 的取值范围为[λk-1,λk＋1],k ＝ 1,2,,s。 对于首个灰类的左端点 λ0和第 s 个灰类 的右端点 λs＋1可分别将 j 指标向左右延伸。 2同时连接点λk-1,0,λk,1,λk＋1,0,得 到第 j 个对象的指标 i 关于灰类 k 的三角白化权函 数,同理可得 m 个指标的关于 s 个灰类的三角白化 权函数,如图 3 所示。 图 3 中心点型三角白化权函数 Fig.3 Center point type triangle whitening weight function 针对采煤机,根据专家经验划分健康状态等级, 并确定相应的白化权函数范围表 1,将采煤机健 康状态分为 O＝{O1,O2,O3,O4,O5} ＝{故障,劣化, 一般,良好,健康},健康状态等级与对应白化权函 数见表 1。 表 1 健康状态等级和白化权函数 Table 1 Health status level and whitening weight function 健康 等级 运行情况危害程度白化权函数 故障 监测值达到或超出 阈值,设备无法正常 运行 即将或已经 发生故障 [-0.05,0.15,0.35] 劣化 监测值与阈值很接 近,设备运行异常 发生故障的 可能性很大 [0.15,0.35,0.55] 一般 监测值与阈值比较 接近,设备运行不良 发生 故障可 能性 在可接 受范围内 [0.35,0.55,0.75] 良好 监测数据未达到警 告值,设备运行良好 发生故障的 可能性较小 [0.55,0.75,0.95] 健康 监测数据远离警告 值, 设 备 运 行 状 态 很好 发生故障的 可能性很小 [0.75,0.95,1.15] 注表中故障状态的白化权函数对应图 3 中的 λ0、λ1、λ2,劣化 状态的白化权函数对应图 3 中的 λ1、λ2、λ3,以此类推得出每种状态 的白化权函数。 2.2 健康状态综合评估过程 1样本数据无量纲处理。 根据状态评估指标 体系收集 m 个底层指标数据 X ＝{xij},对指标数据 进行无量纲处理,方法如下 正向指标 xij,令 yij＝ xij- minxij maxxij - minxij 1 逆向指标 xij,令 yij＝ maxxij - xij maxxij - minxij 2 731 2020 年第 6 期煤 炭 科 学 技 术第 48 卷 适度型指标 xij,令 yij＝ 1 - xij - x i maxxij - xi 3 其中xij为每 i 行、第 j 列的待量化指标数据;yij为无 量纲处理后的第 i 行、第 j 列的指标数据。 2底层指标权重计算。 熵权法确定客观权重, 对原始数据进行无量纲处理得到矩阵 R＝rijmn,式 中m 为评估指标个数,n 为评估对象个数,第 i 个评 估指标的信息熵为 Ei ＝- 1 ln n∑ n j ＝ 1 fijln fij4 式中, fij ＝ r ij/∑ n j ＝ 1 rij,i ＝ 1,2,,m 。 当 fij＝ 0 时, ln fij＝ 0。 第 i 个指标的熵向量为 Vi＝ [1 - Ei] /∑ m i ＝ 1 [1 - Ei]5 根据熵权法式4、式5得到客观权重向量 V1 ＝v 1,v2,,vm。 层次分析法确定指标主观权重,由专家判定同 一层次的指标重要性,判断矩阵采用 19 标度法, 两两比较构建判别矩阵,矩阵定义如下 A＝aijnn a11a1n ⋮⋮ an1ann 其中判别矩阵 A 中各元素 aij为 i 行指标相对 j 列指标的重要性比较值, aij 0,aii＝ 1,aji＝ 1/ aij。 对矩阵 A 的各列向量几何平均,求行和归一化后得 到的列向量是权重向量,权重计算与一致性判断过 程如下 每行元素乘积 Mi＝∏ n j ＝ 1 biji ＝ 1,2,3,,n6 Mi的 n 次方根 Wi＝ n Mi7 对向量 w ＝W1,W2,,Wn[] T 归一化,得到指 标的权重向量为 wi ＝ W i/∑ n i ＝ 1 Wi8 计算最大特征根 λmax＝ 1 n ∑ n i ＝ 1 AWi wi 9 检验一致性 CI ＝ λmax - n n - 1 10 CR ＝ CI RI 其中RI 查表可得。 当 CR0.1 时,认为判断矩 阵具有一致性。 否则需调整矩阵并使其满足一 致性。 利用式8并检验一致性后得到主观权重向量 wi＝ w1,w2,,wm。 组合赋权法求综合权重,设 wi、Vi分别是层次 分析法与熵权法求得的权重向量,组合权重向 量为 Wi＝ wiVi ∑ m i ＝ 1 wiVi 11 根据式11 得到底层指标的组合权重向量 W1＝ w1,w2,,wm 。 3底层指标灰色聚类评估。 设 Xi是某个指标 的监测值,则其隶属度为 fk ix ＝ 0,x ∉ [λk-1,λk＋1] x - λk-1 / λk - λ k-1,x ∈ [λk-1,λk] λk＋1- x / λk＋1 - λ k,x ∉ [λk,λk＋1] 12 通过式12 得到 Xi对 s 个灰类的符合度向 量为 Fi ＝ f 1 i,f 2 i,,f s i i ＝ 1,2,,m 13 通过式13计算出所有指标的监测值对 s 个灰 类的符合度向量,得到符合度矩阵为 F ＝ [F1,F2,,FM]T＝ f1 1x1,f 1 2x2,,f 1 mxm f2 1x1,f 2 2x2,,f 2 mxm ⋮ ⋮ ⋮ fs1x1,fs2x2,...,fs2x2 14 根据式14构造对 s 个灰类的符合度矩阵 F, 得综合评估向量为 QT＝ FWT i 15 将 Wi与 F 代入式15 中,得到底层指标的 灰色聚类评估向量 BT＝q1,q2,,qs T与评估矩 阵 C。 C＝[Q T 1,Q T 2,,Q T n ] ＝ q11q12q15 q21q21q25 ⋮⋮⋮ qm1qm2qms ms 16 式中m 为指标数量。 4计算一级指标综合权重。 利用式4、式 831 曹现刚等基于组合赋权法的采煤机健康状态评估方法研究2020 年第 6 期 5得到客观权重向量 V2＝ v1,v2,...,vm ,利用 式8得到主观权重向量 w2＝ w1,w2,,wm , 根据式11得到组合权重向量 W2＝ w1,w2,, wm 。 5整机健康状态综合评估。 根据模糊综合评 价法[20]计算设备健康状态评估向量为 D＝W2C＝[w1,w2,,wm] q11q12q1s q21q21q2s ⋮⋮⋮ qm1qm2qms ＝ d1,d2,,ds17 根据得到的评估向量依最大隶属度原则确定采 煤机健康状态。 3 采煤机截割部算例分析 基于威布尔分布规律仿真采煤机状态变化得到 采煤机运行状态数据,根据仿真数据完成算例分析。 由于篇幅有限且模型求解过程相同,以采煤机截割 部为例完成算例分析。 3.1 原始数据无量纲处理 根据采煤机截割部状态数据,根据式1式 3对 5 组原始数据进行无量纲处理,无量纲结果 见表 2。 表 2 截割部相关指标 5 组无量纲数据 Table 2 Five sets of dimensional data of relevant indicators for cutting unit 指标 5 组无量纲数据 第 1 组第 2 组第 3 组第 4 组第 5 组 截割电动 机电流 0.827 10.821 50.818 40.833 70.783 1 截割轴 轴温 0.901 50.925 60.913 20.903 10.895 7 截割电动 机振动 0.953 70.947 50.925 30.961 50.932 7 截割电动 机温度 0.877 30.845 90.853 50.830 20.862 1 3.2 底层指标状态评估计算 1综合权重确定。 由专家对采煤机截割部指 标进行两两比较打分,见表 3。 构造出判别矩阵 A,根据式6式10得出 权重向量为 wi＝ 0.059 7,0.196 1,0.635 6,0.108 6 CI ＝ λmax - n n - 1 ＝ 0.074 7 CR ＝ CI RI ＝ 0.083 9 0.1 表 3 采煤机截割部指标判断矩阵构建 Table 3 Score of shearer cutting unit 指标 指标重要程度得分 截割电动 机电流 截割轴 轴温 截割电动 机振动 截割电动 机温度 截割电动 机电流 11/51/71/3 截割轴 轴温 511/53 截割电动 机振动 7516 截割电动 机温度 31/31/61 根据计算得 CR0.1,判断矩阵满足一致性检 验,具有满意一致性。 根据表 3 构建采煤机截割部无量纲矩阵为 Y ＝ 0.827 10.821 50.818 40.833 70.783 1 0.901 50.925 60.913 20.903 10.895 7 0.953 70.947 50.925 30.961 50.9327 0.877 30.845 90.853 50.830 20.862 1 由式4得出信息熵为 E iUI＝ 0.513 0,0.276 8,0.168 3,0.418 8 由式5得出熵向量为 V iUI＝ 0.185 4,0.276 8,0.316 8,0.221 0 由式11得到指标综合权重向量为 Wi＝ 0.038 1,0.186 7,0.692 6,0.082 6 2 底层指标聚类评估计算。 根据式12 式14求得采煤机截割部指标的状态数据对应健 康等级的符合度矩阵为 F ＝ 0000 0000 0000 0.614 5 0.385 5 0.242 5 0.757 5 0 0.981 5 0.363 5 0.636 5 将符合度矩阵 F 与组合权重向量 Wi代入式 15得到综合评估向量 Q＝0,0,0,0.098 7,0.889 1,根据最大隶属度原则确定采煤机截割部处于健 康状态。 同理可得采煤机其他关键部件健康状态评 估向量,见表 4。 3.3 整机状态评估 根据部件健康状态评估结果建立整体健康状态 评估矩阵 C 为 931 2020 年第 6 期煤 炭 科 学 技 术第 48 卷 C ＝ 0000.098 70.889 1 000.020 50.661 70.317 8 000.016 90.361 60.291 4 000.006 10.171 70.823 2 表 4 采煤机关键部件评估向量 Table 4 uation vector of shearer key component 部件 采煤机运行状态 故障劣化一般良好健康 截割部0000.098 70.889 1 牵引部000.020 50.661 70.317 8 变频器000.016 90.361 60.291 4 液压部000.006 10.171 70.823 2 由式4得出信息熵为 Ei ＝ 0.206 9,0.445 6,0.638 5,0.306 8 由式5得出熵向量为 Vi ＝ 0.330 1,0.230 8,0.150 5,0.288 6 由层次分析法的式6式10 得到权重向 量为 wi ＝ 0.542 8,0.275 9,0.065 6,0.115 7 由式15得到指标综合评估向量为 Q ＝ 0.624 3,0.225 3,0.034 2,0.116 2 根据式17计算得出采煤机综合评估向量为 0,0,0.005 9,0.243 0,0.732 3,根据最大隶属度原 则得知采煤机处于健康状态,发生故障概率很小。 将该状态数据以本文评估方法完成状态评估,将监 测时间内采煤机健康状态变化趋势绘制如图 4 所示。 图 4 采煤机健康状态变化趋势 Fig.4 Change trend of shearer health status 以 300 组健康状态数据作为验证数据,分别使 用层次分析法、熵权法、组合赋权法确定权重并计算 健康状态,结果见表 5。 由表可知采用组合赋权法 评估健康状态的准确率高于单一赋权法,验证了该 方法的准确性。 表 5 采煤机健康状态结果 Table 5 Healthstatus results of shearer 方法样本数正确数准确率/ ％ 层次分析法30022474.67 熵权法30024180.52 组合赋权法30025384.33 4 结 论 1结合熵权法与层次分析法,得到同时具有主 观与客观意义综合权重,避免了层次分析法确定指 标权重所造成的人为因素影响较大的问题。 2研究结果表明采用不同赋权法分配权重, 采煤机健康状态评估结果不同,基于组合赋权法分 配权重得到的评估结果准确率更高。 3提出一种采煤机健康状态评估新方法,充分 考虑权重分配的合理性,解决了采煤机健康状态评 估难的问题,对煤矿企业及时掌握采煤机健康状态、 制定合理维护策略、提高采煤机运行寿命具有重大 意义。 参考文献References [1] 刘长钊,秦大同,廖映华.采煤机截割部机电传动系统动力学 特性分析[J].机械工程学报,2016,52714-22. LIU Changzhao,QIN Datong,LIAO Yinghua. Analysis of dynamic characteristics of electromechanical transmission system of shearer cutting section[J]. Journal of Mechanical Engineering,2016,52 714-22. [2] 邓 超,王远航,吴 军,等.机电装备性能退化建模与健康状 态评估方法[J].计算机集成制造系统,2018,2492279- 2287. DENG Chao,WANG Yuanhang,WU Jun,et al. Perance degra- dation modeling and health state assessment for electrome- chanical equipment [ J ]. ComputerIntegratedManufacturing Systems,2018,2492279-2287. [3] 张 强,顾颉颖,刘峻铭,等.基于小波包与 SOM 神经网络的截 齿磨损状态识别[J].煤炭学报,2018,4372077-2083. ZHANG Qiang,GU Yuying,LIU Junming,et al. Identification of pick wear based on wavelet packet and SOM neural network[J]. Journal of China Coal Society,2018,4372077-2083. [4] 年夫顺.关于故障预测与健康管理技术几点认识[J].仪器仪表 学报,2018,3981-14. NIAN Fushun. Some understandings about fault prediction and health management technology[J]. Chinese Journal of Scientific Instrument,2018,398 1-14. [5] RANAA S,THOMAS M S,SENROY N.Reliability uation of WAMS using Markov-based graph theory approach[J].Iet Gener- ation Transmission ＆ Distribution,2017112930-2937. [6] 宣金泉,王晓红,陆大伟,等.HHT 和 SVM 在机械安全评估与 预测中的应用研究[J].中国安全科学学报,2017,27258- 041 曹现刚等基于组合赋权法的采煤机健康状态评估方法研究2020 年第 6 期 63. XUAN Jinquan,WANG Xiaohong,LU Dawei,et al.Application of HHT and SVM in mechanical safety assessment and prediction[J]. China Safety Science Journal,2017,27258-63. [7] 赵东明,程焱明,曹 明.基于卷积神经网络的柴油发电机健 康评估[J].计算机科学,2018,45S2152-154. ZHAO Dongming,CHENG Yuming,CAO Ming. Health assessment of diesel generator based on convolutional neural network [ J]. Computer Science,2018,45S2 152-154. [8] TRIPATHIB K.On the complex domain deep machine learning for face recognition[J].Applied Intelligence,2017,4731-15. [9] 陈卫东,梁 朔,肖园园,等.基于模糊最小二乘法支持向量机 的微电网群状态评估方法[J].电力系统自动化,2019,432 76-82. CHEN Weidong,LIANG Shuo,XIAO Yuanyuan,et al. State u- ation of microgrid group based on fuzzy least squares support vectormachine [ J ].AutomationofElectricPower Systems,2019,432 76-82. [10] BAIX,AN Z,HOU Y,et al. Health assessment and management of wind turbine blade based on the fatigue test data[J]. Microe- lectronics Reliability,2017,75 205-214. [11] ZHANG Jingjing,XU Xiule,DING Ming,et al. A condition as- sessment of power transers based on fuzzy analytic hi- erarchy process[J].Power System Protection and Control,2017, 75375-81. [12] 宋人杰,刘瑞英,刘耀伟,等.基于层次灰关联分析的变压器状 态评估关键指标体系构建及应用[J].高电压技术,2018,44 82509-2515. SONG Renjie,LIU Ruiying,LIU Yaowei,et al. Construction and applicationofkeyindicatorsystemfortranserstate assessment based on hierarchical grey relational analysis[J].High Voltage Technology,2018,4482509-2515. [13] 张 强,王 禹,王琛淇.基于 PNN 神经网络的掘进机截齿磨 损程度识别研究[J].煤炭科学技术,2019,47637-44. ZHANG Qiang,WANG Yu,WANG Chenqi.Research on identifi- cation of pick wear degree of roadheader based on PNN neural network[J].Coal Science and Technology,2019,47637-44. [14] 王心义,赵 伟,刘小满,等.基于熵权-模糊可变集理论的煤 矿井突水水源识别[J].煤炭学报,2017,4292433-2439. WANG Xinyi,ZHAO Wei,LIU Xiaoman,et al.Identification of water inrush from coal mine water based on entropy weight-fuzzy variable set theory[J].Journal of China Coal Society,2017,42 9 2433-2439. [16] MA J,LIU X. uation of health status of low-voltage distribu- tion network based on order relation-entropy weight [J]. Power System Protection ＆ Control,2017,45687-93. [17] 宁树正,韩 亮,朱世飞,等.基于 AHP 的灰色聚类法的煤中 铝、镓资源评价体系[J].煤炭学报,2016,412316-323. NING Shuzheng, HAN Liang, ZHU Shifei, et al. uation system of aluminum and gallium resources in coal based on AHP- based grey clustering [J].Journal of China Coal Society, 2016,412 316-323. [18] 蔡金锭,祝顺才.基于灰色聚类-集合赋权法的变压器油纸绝 缘状态评估[J].高电压技术,2018,443765-771. CAI Jinding,ZHU Shuncai. uation of transer oil-paper insulation state based on grey clustering-set weighting [J].High Voltage Technology,2018,443765-771. [19] 禹建兵,刘 浪.路基砂土液化势的灰色三角白化权函数聚类 方法[J].中南大学学报自然科学版,2014,451269-275. YU Jianbin,LIU Lang.A Grey triangle whitening weight function clustering for subgrade liquefaction potential[J].Journal of Central South University Science and Technology,2014,45 1269-275. [20] 杜毅博.液压支架支护状况获取与模糊综合评价方法[J].煤 炭学报,2017,42S1260-266. DU Yibo.forobtainingandfuzzycomprehensive uation of hydraulic sup