CN106483847B - 一种基于自适应ica的冷水机组故障检测方法 - Google Patents

Abstract

本发明公开一种自适应ICA冷水机组故障检测的方法，包括：步骤一、首先对机组正常运行下采集的数据进行预处理；然后采用独立成分分析(ICA)提取数据的独立成分信息；之后构造统计量，并利用核密度估计方法确定控制限；最后以训练数据的SPE统计量阈值作为剔除异常值的判断标准，循环剔除每个采样点的统计值高于统计量阈值的数据，直至所有采样点的统计值均低于统计量阈值，将得到的数据重新训练，得到一个更加准确的控制限；步骤二、对新采集的数据按照模型进行处理，计算其统计值并与控制限进行比较，判断冷水机组是否运行正常。采用本发明的技术方案，可以自动的剔除实际中的异常采样点，故障检测的准确率较高。

Description

一种基于自适应ICA的冷水机组故障检测方法

技术领域

本发明属于暖通空调故障诊断技术领域，尤其涉及一种基于自适应ICA的冷水机组故障检测方法，进一步涉及在暖通空调设备——冷水机组上的具体应用。

背景技术

暖通空调系统是多变量、多状态、强耦合系统，长期处于变工况，部分负荷运行状。它向来是是工业设备，家用电器中的耗能大户。而冷水机组是暖通空调系统中最重要的设备，也是耗能最大的设备。由于多种原因，使设备经常出现故障。并且，随着设备的自动化和高度集成化，设备的成本和维护费用也在急剧增加。因此，及时发现其故障征兆并在故障将要发生时予以排除，对减少设备能耗，提高人们的舒适度有很重要的意义。

目前，基于数据驱动的方法已经广泛应用到冷水机组的故障检测中。其中应用较多的方法是主成分分析(Principal Component Analysis，PCA)，该方法需要假设过程变量服从或近似服从多元高斯分布，应用在实际冷水机组中存在着不足。ICA可以利用高阶统计信息提取过程数据中的非高斯信号，显现出比PCA更优的效果。然而，在实际的测量当中，由于现场环境、机组自身振动等多方面因素的影响，使得实际测量数据会有异常值的存在。它们严重影响着故障检测的准确性。因此，急需一种改进的方法可以有效的剔除训练数据中的异常点，使得训练出来的模型更加的准确。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于自适应ICA的冷水机组故障检测方法，可以自动的剔除实际中的异常采样点，故障检测的准确率较高，减少机组能耗，提高人们的舒适度。

为实现上述目的，本发明采用了如下的技术方案：

一种基于自适应ICA的冷水机组故障检测方法包括以下步骤：

A.建模阶段：

1)采集实验所需正常数据：

采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X_1i,X_2i,...X_ki...,X_Ki)^T表示，其中，i＝1,2,...,I，X_ki表示第k采样时刻第i个变量的测量值，X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；

2)对数据进行标准化处理，处理方式如下：

首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中，第k采样时刻的第i个过程变量的均值的计算公式为：其中，x_ki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差s_k,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差。然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：

其中，i＝1,...,I，k＝1,...,K。

3)利用独立成分分析(ICA)方法提取独立成分：

首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L^-1/2U^T，其中U和L分别为X'的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X'进行白化，白化公式为：Z＝QX'。白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(Fast ICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝B^TZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数。

4)构造I²和SPE两种统计量：

I²统计量由k时刻独立成分s_d(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：

I²(k)＝s_d(k)^Ts_d(k)

5)估计控制线：

由于独立分量的各个分量满足统计独立，则概率密度的估计可以转化成为单变量的概率密度估计问题，本发明采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限。

6)自动去除异常点：

对原始正常数据进行行分解，计算每一时刻的SPE值，用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点，记录这一行信息，继续执行，直到所有采样点执行完毕，在原始正常数据中将所有的异常采样点信息剔除，重新建立I²和SPE统计量，并得到相应的更加准确的控制限；

B.检测阶段：

7)采集监控数据，并对其进行标准化：

采集当前第k采样时刻的I个过程变量的数据x_k，并根据步骤2)中得到的均值和标准方差对其进行标准化，得到

其中，第k采样时刻的第i个过程变量的标准化公式如下：

其中，x_k,i为当前第k采样时刻第i个过程变量，为第k采样时刻的第i个过程变量的平均值，s_k,i为第k采样时刻的第i个过程变量的标准方差，i＝1,...,I，k＝1,...,K。

8)提取当前时刻独立信息：

提取标准化后的k时刻采集数据的独立成分s_k，计算公式如下：

其中，W为分离矩阵；

9)计算当前时刻统计值：

计算当前k时刻采集数据的I²和SPE统计值，计算公式如下：

10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。

作为优选，步骤6)具体包括：

6.1)对原始正常数据进行行分解，计算每个采样点时刻的独立成分，即：s_k＝WX_k，其中，W为分离矩阵，X_k为第k时刻的采集数据；

6.2)通过6.1)得到的s_k计算每一时刻的SPE值；

6.3)用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点；

6.4)记录6.3)得到的当前异常采样点信息，继续执行下一个采样点，直到所有采样点都执行完毕，记录所有异常点信息；

6.5)在原始正常数据中将所有的异常采样点信息剔除，重新按步骤1)到5)建立I²和SPE统计量，并得到相应的更加准确的控制限。

本发明的基于自适应ICA的冷水机组故障检测方法，以训练数据的SPE统计量阈值作为剔除异常值的判断标准，循环剔除每个采样点的统计值高于阈值的数据，直至所有采样点的统计值均低于阈值为止，从而优化训练矩阵，使得模型更加的准确，有效的提高故障检测的正确率。

附图说明

图1为本发明的方法流程图；

图2a为传统ICA方法对正常数据的I²检测图；

图2b为传统ICA方法对正常数据的SPE检测图；

图3a为本发明方法对正常数据的I²检测图；

图3b为本发明方法对正常数据的SPE检测图；

图4a为传统ICA方法对故障数据的I²检测图；

图4b为传统ICA方法对故障数据的SPE检测图；

图5a为本发明方法对故障数据的I²检测图；

图5b为本发明方法对故障数据的SPE检测图。

具体实施方式

20世纪90年代，鉴于暖通空调系统数据的缺乏。美国制冷空调工程学会发起一个ASHRAE 1043-RP研究项目，通过在实验条件下改变冷水机组的状况，使机组在各种工况和故障条件下运行，并详细记录各种状况下机组各个运行参数的数据。

本实验以ASHRAE 1043-RP数据为依据，该数据来源于一台90吨的离心式冷水机组。在一定的条件下，经过特殊设计的试验台可以模拟冷水机组的各种典型故障，每一种故障都工作在27种不同的工况下，通过实验收集了大量的数据。本文对这些数据中的3种常见的典型故障进行仿真分析，这3种典型的故障分别是制冷剂泄漏，润滑油过多，冷冻水水量不足。

从64个原始变量中选出16个作为特征变量，如表1所示。这些变量与冷水机组密切相关，而与辅助的系统关系比较小。经过选择的变量不但能够保持对小故障的灵敏度，而且可以很大程度地减少计算的复杂度。

表1经过筛选的特征变量

如图1所示，本发明实施例提供一种基于自适应ICA的冷水机组故障检测方法，包括以下步骤：

A.建模阶段：

步骤1：对做正常数据稳态处理。首先，去除设备刚开始运行后一个小时和设备停机前一个小时的数据。然后，利用几何加权平均及方差法去稳态，当几何加权均方差低于事先设定的阈值时，认为数据是稳态数据。经过处理后，本实验选择100个采样点数据作为训练数据，根据之前讨论，选择16个变量做为特征变量；

步骤2：对稳态处理过的数据进行标准化处理。首先按公式计算所有采样时刻的第i个变量的均值，其中x_k,i为第k采样时刻的第i个过程变量的测量值，k＝1,...,100，i＝1,...,16。所有采样时刻的标准差s_k,i的计算公式为：k＝1,...,400，j＝1,...,10。然后对数据进行标准化，其中每个采样时刻的第i个过程变量的标准化计算公式如下：

其中，i＝1,...,16，k＝1,...,100；

步骤3：利用独立成分分析(ICA)方法提取独立成分：

首先，利用Matlab中的主成分分析函数(princomp)对经标准化处理后的数据设为X进行分解，得到它的协方差矩阵对应的特征向量矩阵U和特征值矩阵L：[U,Tr,L]＝princomp(X)，其中的得分矩阵Tr没有使用；之后构造白化矩阵Q，Q＝L^-1/2U^T；最后将X进行白化，白化公式为：Z＝QX。然后，利用Fast ICA算法从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝B^TZ得到独立成分S。通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数(选择完主元后的独立成分用s_d表示)，本实验选择的累计贡献率为0.95；

步骤4：利用 估计I²和SPE统计量；

步骤5：利用Matlab中自带的核密度估计函数“ksdensity”估计上述求得的I²和SPE统计量在置信限为0.95时的值，并将其作为模型的控制限；

步骤6：由于原始的数据来源于真实的实际测量，异常值的存在不可避免，所以模型控制限是不精确的。本发明通过数据的反馈自动的修改模型的控制限。

6.1对原始正常数据进行行分解，计算每个采样点时刻的独立成分，即：s_k＝WX_k。其中，W为分离矩阵，X_k为第k时刻的采集数据。

6.2通过6.1得到的s_k计算每一时刻的SPE值。

6.3用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点。

6.4记录6.3得到的当前异常采样点信息，继续执行下一个采样点，直到所有采样点都执行完毕，记录所有异常点信息。

6.5在原始正常数据中将所有的异常采样点信息剔除，重新按步骤1到步骤5建立I²和SPE统计量，并得到相应的控制限。

B.检测阶段：

步骤7：采集当前机组运行时刻数据x_k，根据步骤2中得到的均值和标准方差对其进行标准化得到其中每一采样时刻的第i个过程变量的标准化公式如下：

其中，x_k,i为每一采样点所采集数据中的第i个变量，为每一采样时刻的第i个过程变量的平均值，s_k,i为每一采样时刻的第i个过程变量的标准方差，i＝1,...,16；

步骤8：提取标准化后的k时刻采集数据的独立成分s_k，计算公式如下：

其中，W为分离矩阵；

步骤9：利用，计算当前时刻的I²和SPE值；

步骤10：将上述计算得到的I²和SPE值与建模阶段的步骤6确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。

上述步骤即为本发明方法在冷水机组故障检测中的具体应用。为了验证本方法的有效性，对冷水机组常见的三种故障进行了模拟实验。以制冷剂泄露为例，得到的实验结果见图2至图5。每幅图分别包括与横坐标平行的线和曲线，其中与横坐标平行的线为通过核密度估计方法确定的控制限，曲线为实时的监测值。如果曲线的值大于控制限的值，说明在此时刻发生了故障；否则说明机组运行正常。

以制冷剂泄漏为例，图2和图3分别为传统ICA方法和本发明方法对正常批次数据的检测效果图。图2a和3a中与横坐标平行的线为控制限，曲线为实时的I²监测值；图2b和3b中与横坐标平行的线为控制限，曲线为实时的SPE监测值。可以发现，图2b比图2a少了一些采样点，比如采样点24、46、48、52、64、66、75、80、87、91等。这些采样点被认为是异常值，可能给建模带来干扰，因此本发明算法将其剔除，再重新建立控制限。从检测图中可以明显的看到，传统的方法在监控当中存在着一些误报，而本发明方法有极少的误报警，效果较好。图4和图5分别为传统ICA方法和本发明方法对正常批次数据的检测效果图。同样，图4a和4b中与横坐标平行的线为控制限，曲线为实时的I²监测值；图5a和5b中与横坐标平行的线为控制限，曲线为实时的SPE监测值。从检测图中可以明显的看到，传统的方法在监控当中存在着一些误报，而本发明方法有极少的误报警，效果较好。

为了更形象地对比传统方法与本发明方法应用于冷水机组故障检测的有效性，对三种典型故障的检测效果列表对比如下：

表2两种方法对故障监测的准确率

从上表2不难发现，本发明方法比现有方法有所提升，提高了冷水机组故障检测效果。

Claims (1)

1.一种基于自适应ICA的冷水机组故障检测方法，其特征在于，包括以下步骤：

A.建模阶段：

1)采集实验所需正常数据

采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X_1i,X_2i,...X_ki...,X_Ki)^T表示，其中，i＝1,2,...,I，X_ki表示第k采样时刻第i个变量的测量值；X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；

2)对数据进行标准化处理，处理方式如下：

首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中第k采样时刻的第i个过程变量的均值的计算公式为：其中，x_ki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差s_k,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差，然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：

其中，i＝1,...,I，k＝1,...,K；

3)利用独立成分分析(ICA)方法提取独立成分

首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L^-1/2U^T，其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X进行白化，白化公式为：Z＝QX, 白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(Fast ICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝B^TZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数；

4)构造I²和SPE两种统计量

I²统计量由k时刻独立成分s_d(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：

I²(k)＝s_d(k)^Ts_d(k)

5)估计控制限

采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限；

6)自动去除异常点

对原始正常数据进行行分解，计算每一时刻的SPE值，用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点，记录这一行信息，继续执行，直到所有采样点执行完毕，在原始正常数据中将所有的异常采样点信息剔除，重新建立I²和SPE统计量，并得到相应的更加准确的控制限；

步骤6)具体包括：

6.1)对原始正常数据进行行分解，计算每个采样点时刻的独立成分，即：s_k＝WX_k，其中，W为分离矩阵，X_k为第k时刻的采集数据；

6.2)通过6.1)得到的s_k计算每一时刻的SPE值；

6.3)用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点；

6.4)记录6.3)得到的当前异常采样点信息，继续执行下一个采样点，直到所有采样点都执行完毕，记录所有异常点信息；

6.5)在原始正常数据中将所有的异常采样点信息剔除，重新按步骤1)到5)建立I²和SPE统计量，并得到相应的更加准确的控制限；

B.检测阶段：

7)采集监控数据，并对其进行标准化

采集当前第k采样时刻的I个过程变量的数据x_k，并根据步骤2)中得到的均值和方差对其进行标准化，得到其中第k采样时刻的第i个过程变量的标准化公式如下：

其中，x_k,i为当前第k采样时刻第i个过程变量，为第k采样时刻的第i个过程变量的平均值，s_k,i为第k采样时刻的第i个过程变量的方差，i＝1,...,I，k＝1,...,K；

8)提取当前时刻独立信息

提取标准化后的k时刻采集数据的独立成分s_k，计算公式如下：

其中，W为分离矩阵；

9)计算当前时刻统计值

计算当前k时刻采集数据的I²和SPE统计值，计算公式如下：

10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。