CN103403463B - 故障检测和诊断算法 - Google Patents

Abstract

公开了一种用于诊断气候系统中的故障条件的方法以及实施用于诊断气候系统中的故障条件的方法的计算机程序产品。气候系统可以是HVAC系统。所述方法包括：在故障条件下接收来自气候系统的当前参数，从基于当前数据的第一组转移概率和基于在正常条件下操作的气候系统的第二组转移概率计算针对气候系统的异常分数，以及当异常分数高于预定义阈值时自动生成引起故障条件的第一问题的诊断。在实施例中，当前数据可包括气候系统的多个操作参数。

Description

故障检测和诊断算法

技术领域

本公开大体涉及用于诸如供暖、通风和空调(HVAC)系统的气候系统和更特别地制冷系统的故障检测和诊断的方法和计算机程序产品。

背景技术

HVAC系统在本领域是众所周知的并且用于各种商业、工业和住宅应用中。这样系统的一个实例是被诸如食品商店的商业机构使用的制冷系统。

当这些系统的复杂性和规模增加时，故障查找变得更困难。下述事实增加此困难：在一些气候系统中，诸如制冷系统，故障查找操作问题可能是非常时间棘手的。例如，如果在制冷系统中存在冷却损失并且储存食物的温度上升到某一水平以上，则储存食物必须被丢弃。这样的损失对于商业机构是昂贵的。

典型地由技术人员在现场或通过服务多个气候系统的远程呼叫服务中心执行故障查找气候系统。监控系统经常每天昼夜运转。操作者监控气候系统必须迅速地诊断故障检测并且提供迅速的响应给顾客。随着所监控系统的数量的增加，不同系统同时要求故障检测和诊断的可能性也增加。这种情况使监控系统的能力趋紧并且会导致延迟诊断。需要一种将增加故障查找气候系统的效率和速度的诊断方法和系统。

发明内容

根据本公开的一方面，公开了一种用于诊断气候系统中的故障条件的方法。所述方法可包括：在所述故障条件下接收来自气候系统的当前参数，基于所述当前参数确定第一组转移概率，基于来自在正常条件下操作的气候系统的历史参数确定第二组转移概率，从所述第一组转移概率和所述第二组转移概率计算针对所述气候系统的异常分数，以及当所述异常分数高于预定义阈值时自动生成引起所述故障条件的第一问题的诊断。所述当前参数可包括来自所述气候系统的多个当前测量和估计数据，并且所述历史参数可包括来自所述气候系统的多个历史测量和估计数据。

根据本发明的另一方面，公开了一种用于诊断制冷系统中的问题的方法。所述方法可包括：接收来自所述制冷系统的参数，确定第一等级和第二等级的异常分组，确定所述制冷系统从第一等级的异常分组到到第二等级的异常分组的进程的概率，针对所述制冷系统计算异常分数，自动诊断所述气候系统中的第一和第二问题，以及传输所述诊断用以在用户界面上显示。所述参数可包括来自所述气候系统的多个测量和估计数据。

根据本发明的又一方面，公开了一种计算机程序产品。所述计算机程序产品可包括其中嵌入有计算机可读程序代码的计算机可用介质。所述计算机可读程序代码可适合于被执行来实施用于诊断气候系统中的故障条件的方法。所述方法可包括：在所述故障条件下接收来自气候系统的当前参数，所述当前参数包括来自所述气候系统的多个当前测量和估计数据，基于所述当前参数确定第一组转移概率，基于来自在正常条件下操作的气候系统的历史参数确定第二组转移概率，所述历史参数包括来自所述气候系统的多个历史测量和估计数据，从所述第一组转移概率和所述第二组转移概率计算针对所述气候系统的异常分数，以及当所述异常分数高于预定义阈值时，自动生成引起所述故障条件的第一问题的诊断。

在结合附图阅读以下详细说明时，本公开的上述及其他方面将变得更加显而易见。

附图说明

图1是示出用于监控气候系统的实施例的系统的实施例的示意图；

图2是描绘可根据本公开的方法实践来建立图1的气候系统的基线模型的步骤的样本序列的流程图；

图3示出了从用于示例性气候系统的奇异阀分解模型所计算的成比例剩余向量的概率分布观测得到的等级的实施例；

图4是描绘可根据本公开的方法实践来识别和诊断图1的气候系统中的故障的步骤的样本序列的流程图；以及

图5示出了显示故障检测诊断和所推荐的校正动作的用户界面的实施例。

尽管本公开容许各种变型和选择性构造，但在图中示出了本公开的某些例示实施例并且将在下文详细描述。然而，应当理解的是，无意于限于所公开的特定实施例，而是相反，本发明将涵盖落入本公开的精神和范围内的所有变型、选择性构造以及等同内容。

具体实施方式

文中公开了进行故障检测和系统水平诊断来检测复杂系统中的系统水平异常并且诊断根源驱动程序的系统和方法。作为本公开的一部分，可建立线性混合模型作为基线模型。然后可分析基线模型和从系统接收到的数据之间的差异。可使用语义分析表征差异。马尔可夫模型中的语义状态可被用来采集系统故障演变的动态信息。本公开关于它可接收到的输入类型在计算上可以是可扩展和灵活的，并且可结合来自基于物理的估计模型、组件模型、控制数据和系统概要统计的信息。

参考附图并且特别关于图1，提供了显示用于监控气候系统的一个可能实施例的示例性系统的示意图。这种监控系统被称为附图标记100。在图1中示出的实施例中，气候系统是制冷系统110，然而，文中公开的监控系统和方法不限于制冷系统110的监控，而是可用于任何类型的HVAC气候系统。

如在图1中所示，制冷系统110可包括制冷设备112、风扇114、阀门116和用于测量制冷系统110的操作参数的传感器118。制冷设备112可包括，但不限于，制冷管、压缩机和蒸发器热交换器。阀门116可包括排气阀、吸气阀和流动控制阀。风扇114可包括风扇和其他空气流动和通风组件和设备。在一些实施例中，第一控制器120可被用来协调结合和控制制冷系统110的其他元件。用户界面122可被连接到第一控制器120用于控制、监控和维持制冷系统110。

监控系统100被连接到和监控一个或更多制冷系统110。如在图1中所示，监控系统100可距离制冷系统被远程地定位并且可经由诸如因特网或其他类型的适当通信网络等通信线路130连接到制冷系统110，监控系统100可通过通信线路130接收来自制冷系统110的数据。在一些实施例中，监控系统100也可通过通信线路130将数据发送到制冷系统110或发送到连接至制冷系统110的用户界面122。

监控系统100可包括监控控制器132和被连接到监控控制器132的存储器134。监控用户界面136也可被连接到监控控制器132。包括其中嵌入有计算机可读程序代码的计算机可用介质的计算机程序产品可被存储在存储器134中并且可适合于被执行来实施如文中公开的诊断故障条件的方法。

尽管在图1中示出的实施例中，监控系统100被远程连接到第一控制器120，但在其他实施例中可采用其他类型的结构。例如，监控系统可与制冷系统110在现场并且也可代替第一控制器120的功能。在一些实施例中，用户界面122可被连接到监控控制器132和第一控制器120。这样的界面可以能够接收和传输来自监控控制器132的信息，接收和传输来自制冷系统110的信息，并且控制制冷系统110的一些或所有元件。

为了提供监控系统100以有效地检测制冷系统110中的故障，在一段时间周期对于被监控系统100监控的每个制冷系统110(气候系统)研发基线模型。这种基线模型提供关于每个制冷系统110应该如何基于制冷设备的寿命和类型、风扇、阀门、设备的物理位置和可影响制冷系统110的性能和寿命周期的其他因素来运行的信息。基线模型对于正被监控的特定制冷系统110代表典型或“正常”的操作模式和异常模式。

图2示出了用于建立基线模型的一个处理的实施例。在步骤200中，监控系统100从制冷系统110接收从传感器测量的数据和估计数据(统称为“参数”)。可从监控制冷系统110的操作的各种传感器118收集测量数据。例如，传感器118可提供来自不同制冷区域、空气处理单元、桥和电单元的操作数据。测量数据可包括在各种制冷机箱和压缩机的温度、压力读数、风扇速度、由压缩机使用的能量量以及空气流速。估计数据可包括不是直接被传感器118测量而是可基于已知或测量的数据被计算的系统信息。例如，这种估计数据可包括可通过能量平衡方程被估计的水流速。流量计的安装相对于其他类型的仪表而言会是昂贵的。如果对于制冷系统110的控制不直接需要流量信息，则可不安装它们。估计数据也可包括组件能量消耗。对于设备的一块组件的总能量消耗可通常通过基于物理的模型来估计。

在步骤202中，使用随时间而收集的测量和估计数据创建简化秩迭代奇异值分解(SVD)模型。下面是可被利用的这样SVD模型的一个实例：

$\tilde{X}={\mathrm{\Σ}}_{i=1}^R\sqrt{{\mathrm{\λ}}_i}{u}_i{v}_i^T$

在上面的模型中，通过传感器数据矩阵X的奇异值分解获得左右本征向量u_i和v_i。

如果期望，可以流动方式随时间更新SVD模型。用于建立模型的时间周期基于气候系统的复杂性是任意的。每当更新SVD模块时为了确定对于制冷系统110的典型异常模式，SVD剩余分数可被创建为X_R的总和(步骤204)。X_R是如下面所示获得的非负剩余矩阵，其中X是从制冷系统110接收到的新数据并且代表使用SVD创建的最新基线模型。

$X_R=\left|X-\tilde{X}\right|$

成比例剩余向量(X_R的列)可被视为观测概率分布。图3示出了对于与制冷系统110的模型关联的示例性SVD剩余分数的概率分布300。可跨越概率分布的x轴编号制冷系统110的特征。特征可至少部分地基于或可源自于制冷系统110的操作参数(测量和估计数据)。例如，这种变量可包括“气体冷却器风扇功率”、“气体冷却器空气流速”和“总冷却能力”。概率分布300的y轴代表对成比例剩余向量的特征相对贡献。

观测概率分布300可由隐藏条件等级的通常共现故障的混合或从观测概率分布300可能不是容易明显的“异常组”组成。这种等级可代表不同操作模式(正常或异常)的“特征”。这种等级可从观测概率分布300被分类，并且对于等级对合计概率分布300的贡献对每个等级分配估计混合权重(加权平均)。在步骤206中，基于最大化观测数据的可能性的EM算法的概率潜在语义分析(PLSA)可被用来生成这种等级。在此算法中，特征生成是迭代的并且最大化KL-散度。KL-散度是两个概率分布之间的差值的度量。这也可被称为“信息散度”或“相对熵”。文中，两个分布是从建立基线模型的测量数据分布和期望数据分布。

结果是根源概率分布300被分解为在等级内由每个被它自己概率分布的特征代表的许多等级。图3示出了初始“根源”概率分布300的实施例和对于每个所得到等级的概率分布301-307。跨越每个等级概率分布301-307的x轴的特征是与根源概率分布300中相同的跨越x轴的相同组的特征。

与每个隐藏条件等级301-307概率分布关联的每个混合权重308-314可与每个等级308-314关联的加权平均是类似的。如在图3示出的实施例中所示，存在七个隐藏条件等级301-307。“等级一”(和它的概率分布)301具有大约40％的混合权重308并且“等级二”(和它的概率分布)302具有大约55％的混合权重309。每个剩余等级303-307具有1％的混合权重(310-314)。因此，在此实施例中，很可能被SVD剩余分数标记的当前条件可由于被“等级一”301和“等级二”302代表的条件。例如，如果“等级一”代表连同电机劣化的适度气体冷却器结垢，而等级二代表连同制冷箱过热的风扇堵塞，大约40％的制冷系统的当前合计条件可由于适度气体冷却器结垢和电机劣化，而大约55％由于风扇堵塞导致制冷箱过热。在其他实施例中，可找到更多或更少的隐藏条件等级并且分配给混合权重的值可以是不同的。当制冷系统的模型被建立并且涉及各种异常条件诊断等级时，所得到的等级和它们与诊断关联的概率分布被存储在存储器134中用于未来参考(步骤208)。

各种条件等级帮助在时间点上诊断条件。在步骤210中，马尔可夫模型然后可被用来随时间理解制冷系统中条件的进程以便更精确地诊断故障条件的根本原因。使用马尔可夫模型，在制冷系统的正常操作期间获得的数据可被用来学习各种隐藏条件等级之间的转移概率。例如，如果在实施例中系统判定制冷系统110的观测概率分布300正经历被等级一301代表的条件主要驱动的操作条件，马尔可夫模型可表明30％的可能是制冷系统的当前操作条件将进行或转变到被等级四304代表的条件并且70％的可能是制冷的当前操作条件将转变到被等级五305代表的条件。

可使用如离散状态的特征构建一阶马尔可夫模型来识别每个等级之间的转移概率。PLSA混合权重308-314被用来在每个时间点z(0)、z(1)…z(N)确定最可能状态“z”。转移概率可被估计为：

$P(i,j)=\frac{\mathrm{\Γ}(i,j)}{\underset{j=1}{\overset{R}{\Σ}}\mathrm{\Γ}(i,j)}$

双变量分布被估计为：

理解到基于历史数据的系统中的预期转换允许制冷系统110识别那些当在制冷系统中“正常”条件的预期进程(由于老化、典型维护问题以及磨损)区别于制冷系统的当前条件的估计进展时的情形。在步骤212中，步骤210的结果周期性地存储在存储器中以便未来使用。步骤200-210或在图2中的处理可在每当对于制冷系统110接收到新数据时被重复。步骤212可以成批处理模式周期性地被进行。

一旦基线模型被充分研发，系统就能够自动地检测和识别问题。术语“自动地”指的是不具有人为干预情况下问题的检测和诊断。在图4中概述了该处理。

现在参考图4，在步骤400中监控系统100准备接收来自制冷系统110的参数。在步骤401中，监控系统100接收来自制冷系统110的参数。在步骤402中，监控系统100使用与上面关于图2中描述流程图的步骤202所讨论的相同方法生成SVD模型(用于为制冷系统110建立基线模型)。

类似地，在步骤404中监控系统100使用如关于图2的步骤204讨论的相同方法生成SVD剩余分数。同样地，在步骤406中，监控系统100使用如上面关于图2中步骤206所讨论的相同方法确定等级和混合权重。在步骤408中，监控系统100使用如上面关于图2中步骤210所讨论的相同方法确定转移概率。

在步骤410中，基于当前制冷系统条件的转移概率和制冷系统在正常条件下的转移概率生成异常分数。此异常分数提供代表制冷系统条件的预期进程与制冷系统的当前条件的估计进程之比较的度量。通用假设测试(UHT)被用来获得此异常分数H。异常分数H是代表双变量分布和单变量分布的相对熵之间差值的UHT比率函数。异常分数的一个实施例如下所示：

H＝D(ρ²||π²)-D(ρ||π)

简化时得出：

$H=\underset{i,j=1}{\overset{r}{\Σ}}{\mathrm{\ρ}}^2(i,j)log\left(\frac{Q(i,j)}{P(i,j)}\right)$

在上面公式中，P是带有边缘分布π和双变量分布π²的正常行为的转移概率矩阵。Q是带有边缘分布ρ和双变量分布ρ²的观测数据的转移概率矩阵。阈值X被启发式地设置。在步骤412中，如果异常分数H大于X，则在表明故障条件的系统中触发异常标记。

在步骤414中，通过步骤406生成的与预定义阈值以上的最高混合权重关联的等级匹配于先前在数据库存储器134中存储的等级。在步骤416中，当对于每个等级找到存储匹配时，问题(数个问题)被诊断为全部或部分地由在数据库中存储的每个匹配发现关联的问题(数个问题)引起的。

在步骤418中，诊断以及在一些实施例中消除诊断问题动作的推荐过程是对用户界面的输出。如在图5中所示，诊断(和推荐动作)可以本领域中已知的各种方式输出，包括但不限于，诸如显示屏等用户界面、打印报告或通过电话通知系统。诊断可以是描述问题根源诊断的图表或文本的形式。

如果H阈值没有被触发，则在步骤400重复该处理。

尽管仅阐述了特定实施例，但对于本领域技术人员来说可从以上描述明了备选方案和变型。这些及其他备选方案被视为等同的并且处于本公开的精神和范围内。

Claims (19)

1.一种用于诊断气候系统中的故障条件的方法，所述方法包括：

在所述故障条件下接收来自气候系统的当前参数，所述当前参数包括来自所述气候系统的多个当前测量和估计数据；

基于所述当前参数确定第一组转移概率；

基于来自在正常条件下操作的气候系统的历史参数确定第二组转移概率，所述历史参数包括来自所述气候系统的多个历史测量和估计数据；

从所述第一组转移概率和所述第二组转移概率计算针对所述气候系统的异常分数；以及

当所述异常分数高于预定义阈值时，自动生成引起所述故障条件的第一问题的诊断。

2.根据权利要求1所述的方法，其中，所述气候系统是HVAC系统。

3.根据权利要求1所述的方法，其中，所述气候系统是制冷系统。

4.根据权利要求1所述的方法，还包括：确定所述气候系统从第一条件等级到第二条件等级的进程的概率。

5.根据权利要求4所述的方法，其中，所述第一条件等级和所述第二条件等级基于正常操作条件。

6.根据权利要求4所述的方法，其中，所述第一条件等级和所述第二条件等级基于当前参数。

7.根据权利要求6所述的方法，还包括：在用户界面上显示对于所述第一条件等级的概率分布。

8.根据权利要求1所述的方法，还包括：针对所述气候系统确定至少部分地从对历史参数的线性迭代奇异值分解的应用结合概率潜在语义分析的应用得出的基线模型，以从剩余分数X_R确定多个条件等级。

9.根据权利要求8所述的方法，还包括：利用马尔可夫模型确定在每个条件等级之间在气候系统的正常操作期间的转移概率。

10.根据权利要求8所述的方法，还包括：针对所述气候系统设备中的变化更新所述基线模型。

11.根据权利要求8所述的方法，其中，每个条件等级包括共现问题。

12.根据权利要求8所述的方法，还包括：针对每个条件等级生成概率分布。

13.根据权利要求1所述的方法，还包括：基于诊断在用户界面上显示所推荐的校正动作。

14.根据权利要求1所述的方法，还包括：诊断所述气候系统中与所述第一问题同时存在的第二问题。

15.一种用于诊断制冷系统中的问题的方法，所述方法包括：

接收来自所述制冷系统的参数，所述参数包括来自所述制冷系统的多个测量和估计数据；

确定第一等级和第二等级的异常分组；

确定所述制冷系统从第一等级的异常分组到第二等级的异常分组的进程的概率；

针对所述制冷系统计算异常分数；

自动诊断所述制冷系统中的第一和第二问题；以及

传输所述诊断用以在用户界面上显示。

16.根据权利要求15所述的方法，还包括：基于从所述制冷系统接收到的参数确定多个条件等级。

17.根据权利要求16所述的方法，其中，每个条件等级包括共现问题。

18.根据权利要求16所述的方法，还包括：将针对条件等级的概率分布匹配于存储在数据库中的信息以确定所述第一问题。

19.根据权利要求15所述的方法，还包括：基于所述诊断在用户界面上显示所推荐的校正动作。