CN106845036B - 一种基于gsra模型的冷水机组故障诊断方法 - Google Patents
一种基于gsra模型的冷水机组故障诊断方法 Download PDFInfo
- Publication number
- CN106845036B CN106845036B CN201710158966.1A CN201710158966A CN106845036B CN 106845036 B CN106845036 B CN 106845036B CN 201710158966 A CN201710158966 A CN 201710158966A CN 106845036 B CN106845036 B CN 106845036B
- Authority
- CN
- China
- Prior art keywords
- fault
- fault mode
- checked
- water cooler
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Monitoring And Testing Of Exchanges (AREA)
Abstract
本发明公开了一种基于GSRA模型的冷水机组故障诊断方法。该方法首先使用遗传算法优化各劣化等级下的加权指数,构建综合参考故障模式;其次引入关联度阈值对待检故障模式进行定性诊断,利用灰色相似关联度(GSRD)和阈值确定它的嫌疑故障模式;最后再利用GSRD对定性结果进行定量诊断,确定待检故障模式的类别与劣化等级。该方法可有效应用于冷水机组故障诊断。相比于使用单一劣化等级下的参考故障模式表示综合参考故障模式和单一依靠最大关联度原则确定故障模式的传统手段,本发明提出的方法显著提高了故障诊断性能,该方法不仅对小样本模式识别有着良好分类效果,且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。
Description
技术领域
本发明属于制冷设备技术领域,尤其涉及一种基于GSRA(灰色相似关联分析)模型的冷水机组故障诊断方法。
背景技术
冷水机组是暖通空调系统中的主要部件,目前国内运行在实际现场中的冷水机组大多仅对其运行状态进行监测与控制,而对故障检测与诊断,仅能够完成“高压报警”和“低压报警”等的硬故障检测功能。现场冷水机组缺乏对软故障的检测与诊断能力是普遍存在的现象。将有效的故障检测与诊断技术应用于冷水机组,及时发现故障并予以排除,对维持室内环境舒适度、减少设备损耗、节约能源具有重要意义。
过去十几年间,许多学者对冷水机组的故障检测与诊断方法进行了广泛研究,提出了一些从理论上可行的对软故障检测与诊断的方法。然而,这些方法却未能有效应用到实际现场冷水机组中,其主要原因是:1)现场缺乏大量的故障采集数据,而目前提出的方法为了获得良好的诊断性能,往往需要大量数据用于模型训练;2)对采集样本数据分布要求高,常常需要样本数据服从某种特定分布,比如高斯分布,而实际现场数据难以满足。虽然基于支持向量机的方法具有一定的小样本模式识别能力,但目前耗费大量计算时间的参数优化使其不适合现场在线应用。解决“小样本,贫信息”问题是灰色系统理论与技术最显著特点。
目前,在将GSRA应用到冷水机组故障诊断中时,传统的技术途径有:1)使用单一劣化等级下的参考故障模式构建综合参考故障模式;2)单一依靠最大关联度原则确定待检故障模式的类别。然而,上述两条传统途径常常存在故障漏判和误判的现象。
针对此不足,基于如下两点:1)综合考虑多种劣化等级下的参考故障模式构建综合参考故障模式;2)引入关联度阈值作为判别待检故障模式的类别的依据;提出一种基于GSRA模型的冷水机组故障诊断方法成为目前本领域亟待解决的技术问题。
发明内容
为解决现有技术中存在的上述缺陷,本发明针对冷水机组现场在线故障诊断属于“小样本,贫信息”的问题特点,提出一种基于GSRA模型的冷水机组故障诊断方法,该方法可以有效解决现有方法上的不足,它不仅对小样本模式识别有着良好分类效果,且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。
该方法的形成原则:1)构建综合参考故障模式时必须考虑故障劣化等级,实现软故障诊断;2)避免单一依靠最大关联度原则导致的故障误判和漏判问题,从而提升故障诊断性能。本发明旨在将该故障诊断技术有效应用到冷水机组的实际现场中,从而有利于降低机组能耗,提高机组运行可靠性。
实现本发明的目的的技术路径是:第一步,确定待检故障模式的嫌疑故障模式(待检故障模式最有可能属于的故障模式)。在该步骤中,首先将每个已知故障模式在多个劣化等级下的参考故障模式进行加权平均,得到对应每个已知故障模式的综合参考故障模式;然后针对每个已知故障模式引入一个关联度阈值,作为确定待检故障模式的嫌疑故障模式的依据,即通过比较待检故障模式与综合参考故障模式之间GSRD(灰色相似关联度)与阈值的大小,确定待检故障模式的嫌疑故障模式;第二步,确定待检故障模式的类别与劣化等级。在该步骤中,计算待检故障模式与它的各个嫌疑故障模式在各个劣化等级下的参考故障模式之间的GSRD,依据最大关联度原则确定待检故障模式的类别与劣化等级。为了获得优良的故障诊断性能,本发明引入遗传算法(GA)确定最优的加权系数和阈值。
本发明是通过下述技术方案来实现的。
一种基于GSRA模型的冷水机组故障诊断方法,包括下述步骤:
步骤1:离线模型训练
1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据;
1b)稳态过滤:使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤,得到稳态的样本数据;
1c)特征选择:选择合适的特征表征冷水机组的健康状态;
1d)构建训练集:根据步骤1c)选择的表征冷水机组健康状态的特征,随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集;
1e)使用训练集数据,对每个劣化等级下的每个已知故障构建参考故障模式;
1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式;
1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值;
步骤2:在线模型应用
2a)在线实时监测实际现场冷水机组上的特征;
2b)稳态过滤:使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤;
2c)特征选择:选择与步骤1c)相同的特征表征冷水机组的健康状态;
2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列;
2e)定性诊断,即确定待检故障模式的嫌疑故障模式;计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障Fi对应的综合参考故障模式之间的GSRD,即ri;
将i从1循环到n,即得待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD;
输出所有的满足ri≥Ri的综合参考故障模式,即为待检故障模式的嫌疑故障模式;如果对所有的已知故障模式,都不满足ri≥Ri,则表明待检故障模式为一种新故障;Ri为关联度阈值;
2f)定量诊断,即确定待检故障模式的类别与劣化等级;
2g)故障诊断结束,输入故障诊断报告。
进一步,所述步骤1f)中,设定已知故障为Fi,已知故障Fi的综合参考故障模式可表示成Fi=[xi(1),xi(2),Λxi(m)]。
进一步,确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u。
进一步,所述步骤1g)中,基于GA确定对应每个已知故障的最佳关联度阈值,具体步骤如下:
1g-1)将步骤1d)确定的训练集样本按照已知故障的种类分成n类,一个已知故障对应一类,其中n表示已知故障的个数;假设每类都有N个样本,则总样本数就是n×N;
1g-2)计算所有的属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rid表示;计算所有的不属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rih表示;
1g-3)搜索rid的最小值minrid;搜索rih的最大值maxrih;
1g-4)若minrid≥maxrih,则对应已知故障Fi的最佳关联度阈值Ri=minrid;若minrid<maxrih,则关联度阈值Ri是minrid和maxrih之间的折中;令Ri=βminrid+(1-β)maxrih;统计rid<Ri的样本数,记为b1;统计rih>Ri的样本数,记为b2;则对应已知故障Fi的漏判率ELi=b1/N,误判率EWi=b2/N;利用GA,找到使(b1/N+b2/N)最小时的β,以此确定对应已知故障Fi的最佳关联度阈值Ri。
所述步骤1g-2)中,GSRD的计算步骤如下:
1g-2-1)设Fi为参考序列,UF为比较序列,它们表示如下:
Fi=[xi(1),xi(2),Λ,xi(m)],UF=[x(1),x(2),Λ,x(m)]
其中xi(l),x(l)表示第l个特征,l=1,2,Λ,m,m表示表征冷水机组健康状态的特征的总个数;
1g-2-2)比较序列UF与参考序列Fi在l点的GSRD,由公式(3)计算得到:
因此,比较序列UF与参考序列Fi的GSRD由公式(4)计算:
进一步,所述步骤2f)中,计算待检故障模式与步骤2e)确定的所有的嫌疑故障模式在每个劣化等级下的参考故障模式之间的GSRD,其中参考故障模式已由步骤1e)确定,依据最大关联度原则确定待检故障模式的类别和劣化等级,即当待检故障模式与某个劣化等级下的某个嫌疑故障模式的参考故障模式之间的GSRD最大时,就认为该嫌疑故障模式及相应的劣化等级就是该待检故障模式的类别和劣化等级。
本发明的有益效果是:
本发明提出的一种基于GSRA模型的冷水机组故障诊断方法,仅需要少量的故障采集数据即可完成模型的训练,不仅对小样本模式识别有着良好的分类效果,而且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。且相比于将GSRA应用到冷水机组故障诊断中的传统技术途径,该方法显著提高了故障诊断性能。
附图说明
图1为一种基于GSRA的冷水机组故障诊断流程图。
图2(a)、(b)为提出方法与传统技术途径对冷水机组7种故障诊断性能对比。
具体实施方式
下面结合附图和实施例对发明作进一步的详细说明,但并不作为对发明做任何限制的依据。
如图1所示,对本发明提出的一种基于GSRA模型的冷水机组故障诊断方法的具体实施步骤说明如下:
步骤1:离线模型训练。其主要目的是确定对应各个已知故障的参考故障模式和综合参考故障模式,并确定各个已知故障的对应的最佳关联度阈值。
离线模型训练的具体步骤如下:
1a)通过实验或现场存储的故障历史数据获得故障历史数据;
1b)稳态过滤。使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤,得到稳态的样本数据;
1c)特征选择。选择合适的特征表征冷水机组的健康状态;
1d)构建训练集。根据步骤1c)选择的表征冷水机组健康状态的特征,随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集。
1e)使用训练集数据,对每个劣化等级下的每个已知故障构建参考故障模式;
1f)基于GA确定对应每个已知故障的综合参考故障模式。以其中一个已知故障Fi为例说明,已知故障Fi的综合参考故障模式可表示成Fi=[xi(1),xi(2),Λxi(m)],xi(l)的计算见公式(1)
式中,表示已知故障Fi在劣化等级为SL时的第l个特征,SL=1~4,表示4个劣化等级;l=1,2,Λ,m,m表示表征冷水机组健康状态的特征的总个数;p(1),p(2),p(3),p(4)表示权系数,具体为p=[1u,2u,3u,4u」,其中u称为加权指数。
加权指数u代表了综合参考故障模式对不同劣化等级下的参考故障模式的依赖程度,合理地选择加权指数u决定了综合参考故障模式的准确性。本发明利用GA找到最优的加权指数u,具体是:选择检验误差作为参数寻优的依据建立适应度函数f(u),其表达式见公式(2),确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u。
式中:n表示已知故障的个数,其他符号含义同公式(1)。
1g)基于GA确定对应每个已知故障的最佳关联度阈值。以其中一个已知故障Fi为例说明确定它的最佳关联度阈值的具体步骤如下:
1g-1)将步骤1d)确定的训练集样本按照已知故障的种类分成n类,一个已知故障对应一类,其中n表示已知故障的个数。假设每类都有N个样本,则总样本数就是n×N。
1g-2)计算所有的属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rid表示,d=1,2,Λ,N;计算所有的不属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rih表示,h=1,2,Λ,n×N。
下面以两个序列为例说明GSRD的计算步骤。假设Fi为参考序列,UF为比较序列。它们表示如下:Fi=[xi(1),xi(2),Λ,xi(m)],UF=[x(1),x(2),Λ,x(m)],其中xi(l),x(l)表示第l个特征,l=1,2,Λ,m,m表示表征冷水机组健康状态的特征的总个数。
比较序列UF与参考序列Fi在l点的GSRD可由公式(3)计算:
因此,比较序列UF与参考序列Fi的GSRD由公式(4)计算:
1g-3)搜索rid的最小值minrid;搜索rih的最大值maxrih。
1g-4)若minrid≥maxrih,则对应已知故障Fi的最佳关联度阈值Ri=minrid;若minrid<maxrih,则关联度阈值Ri是minrid和maxrih之间的折中。令Ri=βminrid+(1-β)maxrih。统计rid<Ri的样本数,记为b1;统计rih>Ri的样本数,记为b2。则对应已知故障Fi的漏判率ELi=b1/N,误判率EWi=b2/N。利用GA,找到使(b1/N+b2/N)最小时的β,以此确定对应已知故障Fi的最佳关联度阈值Ri。
步骤2:在线模型应用。
在线模型应用的具体步骤如下:
2a)在线实时监测实际现场冷水机组上的特征;
2b)稳态过滤。使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤;
2c)特征选择。选择与步骤1c)相同的特征表征冷水机组的健康状态;
2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列;
2e)定性诊断,即确定待检故障模式的嫌疑故障模式。计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障Fi对应的综合参考故障模式之间的GSRD,即ri。将i从1循环到n,就得到了待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD。输出所有的满足ri≥Ri的综合参考故障模式,即为待检故障模式的嫌疑故障模式。如果对所有的已知故障模式,都不满足ri≥Ri,则表明待检故障模式为一种新故障。其中GSRD的计算可参考步骤1g-2)中的公式(3)和公式(4);
2f)定量诊断,即确定待检故障模式的类别与劣化等级。计算待检故障模式与步骤2e)确定的它的所有的嫌疑故障模式在每个劣化等级下的参考故障模式之间的GSRD,其中参考故障模式已由步骤1e)确定,依据最大关联度原则确定待检故障模式的类别和劣化等级,即当待检故障模式与某个劣化等级下的某个嫌疑故障模式的参考故障模式之间的GSRD最大时,就认为该嫌疑故障模式及相应的劣化等级就是该待检故障模式的类别和劣化等级。
2g)故障诊断结束,输入故障诊断报告。
下面通过具体实施例进一步阐述本发明提出的一种基于GSRA模型的冷水机组故障诊断方法的诊断步骤和验证本发明的有益效果:
实施例:
本实施例使用的故障历史数据来源于ASHRAE RP-1043故障实验,为一台90冷吨(约316kW)的离心式冷水机组,蒸发器和冷凝器均为壳管式换热器,水在管内流,制冷剂为R134a,使用热力膨胀阀。通过特殊设计的试验台测试了7种冷水机组典型软故障,分别是冷却水量减少(fwc),冷冻水量减少(fwe),制冷剂充注不足(rl),制冷剂充注过量(ro),冷凝器结垢(cf),存在非凝性气体(nc)和存在过量的油(eo)。获得了7种典型软故障在4个劣化等级下的64个参数的测试数据,数据采集间隔为10s。
步骤1:离线模型训练。此步骤可具体分为如下的步骤:
1a)通过ASHRAE RP-1043故障实验获得故障历史数据;
1b)稳态过滤。使用已有的稳态过滤方法对包含7种已知故障在4个劣化等级下的故障历史数据进行稳态过滤,得到稳态的样本数据;
1c)特征选择。选择11个在现场容易获得的特征表征冷水机组健康状态,这11个特征见表1。
表1指示冷水机组健康状态的特征
1d)构建训练集。为了检验本发明提出的一种基于GSRA模型的故障诊断方法对小样本数据的处理能力,对步骤1b)经过稳态过滤后的样本数据,对包含全部劣化等级下的7种已知故障,分别随机选取工况一下的200个样本,并随机划分成100个样本的训练集和100个样本的测试集。因此,共计800个样本的训练集和800个样本的测试集。其中选取的工况一对应蒸发器出水温度为50℉(10℃),冷凝器进水温度为85℉(29.4℃)和容量比为90-100%。
1e)使用步骤1d)确定的训练集数据,对每个劣化等级下的每个已知故障构建参考故障模式。具体是将每个故障在每个劣化等级下的属于训练集的样本数据的平均值作为每个故障在每个劣化等级下的参考故障模式。因此,确定7种故障在4个劣化等级下的参考故障模式分别见表2~表8,其中SL表示劣化等级。
表2故障fwc在4个劣化等级下的参考故障模式
表3故障fwe在4个劣化等级下的参考故障模式
表4故障rl在4个劣化等级下的参考故障模式
表5故障ro在4个劣化等级下的参考故障模式
表6故障cf在4个劣化等级下的参考故障模式
表7故障nc在4个劣化等级下的参考故障模式
表8故障eo在4个劣化等级下的参考故障模式
1f)基于GA确定对应每个已知故障的综合参考故障模式。将步骤1e)确定的每个故障在每个劣化等级下的参考故障模式作为GA优化加权指数u的样本数据。本实施例优化加权指数u时,选择初始种群规模为30,迭代次数为100,加权指数u的搜索空间为[-2,2],通过优化得到7种故障的加权指数u=0.9。由此,得到冷水机组7种故障的综合参考故障模式,见表9。
表9七种故障的综合参考故障模式
1g)基于GA确定各个已知故障对应的最佳关联度阈值。依据具体实施步骤中的步骤1g),并根据表9确定的对应每个故障的综合参考故障模式,计算得到7种故障所对应的最佳关联度阈值见表10。
表10七种故障所对应的最佳关联度阈值
步骤2:在线模型应用。具体步骤如下:
2a)使用步骤1d)中确定的测试集模拟实时采集的实际现场冷水机组上的特征;
2b)稳态过滤。这些测试集的数据已使用与步骤1b)相同的稳态过滤方法进行了稳态过滤;
2c)特征选择。选择与步骤1c)相同的11个在现场容易获得的特征表征冷水机组健康状态,这11个特征见表1。
2d)为了更详细地说明本发明提出的一种基于GSRA模型的冷水机组故障诊断方法的在线模型应用,现从步骤1d)确定的测试集中随机选择7个样本,分别对应7种故障,每种故障对应一个劣化等级。使用这7个样本构建的待检故障模式的比较序列见表11,其中,UF1~UF7分别表示fwc(SL-1)、fwe(SL-2)、rl(SL-3)、ro(SL-4)、cf(SL-2)、nc(SL-3)和eo(SL-4),其中SL-1~SL-4表示对应待检故障模式的4个劣化等级。
表11七种待检故障模式的比较序列
2e)定性诊断,即确定待检故障模式的嫌疑故障模式。计算待检故障模式(见表11)与各个故障对应的综合参考故障模式(见表9)之间的GSRD,结果见表12。
表12各待检故障模式与各综合参考故障模式之间的GSRD
备注:下划线表示GSRD大于对应的阈值
根据具体实施步骤中的步骤2e)和表10确定的最佳关联度阈值,确定各待检故障模式的嫌疑故障模式如下:UF1的嫌疑故障模式为fwc,rl和cf;UF2的嫌疑故障模式为fwe和rl;UF3的嫌疑故障模式为fwc,fwe,rl和eo;UF4的嫌疑故障模式为rl,ro和nc;UF5的嫌疑故障模式为fwc,fwe,rl,cf和eo;UF6的嫌疑故障模式为fwc,rl,ro和nc;UF7的嫌疑故障模式为rl和eo。
注意到表12,UF1与cf之间的关联度最大,UF5与fwc之间的关联度最大。若依据最大关联度原则,则UF1和UF5会被分别诊断为cf和fwc故障,而这与UF1与UF5的真实类别(见表11)不相符。可见单一依靠最大关联度原则确定待检故障模式的类别会造成故障误判现象。而关联度阈值的引入可有效改善这一现象。
2f)定量诊断,即确定待检故障模式的类别和劣化等级。计算待检故障模式与步骤2e)确定的它的所有的嫌疑故障模式在每个劣化等级下的参考故障模式之间的GSRD,其中参考故障模式已在步骤1e)中确定,结果见表13~表15,表中,UF1-fwc表示UF1与fwc在各个劣化等级下的参考故障模式之间的GSRD,其他表示类似。
表13待检故障模式UF1、UF2和UF7与各嫌疑故障模式在各劣化等级下的GSRD
备注:下划线表示GSRD值为最大值。
表14待检故障模式UF3、UF4与各嫌疑故障模式在各劣化等级下的GSRD
备注:下划线表示GSRD值为最大值。
表15待检故障模式UF5、UF6与各嫌疑故障模式在各劣化等级下的GSRD
备注:下划线表示GSRD值为最大值。
根据具体实施步骤中的步骤2f),确定各待检故障模式的类别和劣化等级的结果如下:UF1为SL-1下的fwc故障;UF2为SL-2下的fwe故障;UF3为SL-3下的rl故障;UF4为SL-4下的ro故障;UF5为SL-2下的cf故障;UF6为SL-3下的nc故障;UF7为SL-4下的eo故障。对比上述定量诊断结果与表11显示的各待检故障模式的真实类别与劣化等级,结果显示:7种待检故障模式全部诊断正确。
由表13~表15可以发现,不同劣化等级下的故障模式之间的GSRD值不同,且劣化等级相差越大,其GSRD值就越小。若单一使用某个劣化等级下的参考故障模式表示该种故障的综合参考故障模式,当待检故障模式与综合参考故障模式的劣化等级相差较大时,就容易造成相似关联度小于关联度阈值的结果,从而造成故障漏判现象。通过对不同劣化等级下的参考故障模式进行加权计算得到综合参考故障模式,一定程度上降低了使用单一劣化等级的参考故障模式表示综合参考故障模式带来的故障漏判现象的风险。
诊断性能评价。使用步骤1d)中确定的全部测试集数据对本发明提出的一种基于GSRA模型的故障诊断方法和使用GSRA应用到冷水机组故障诊断中的传统技术途径的诊断方法的诊断性能进行测试,并将测试结果进行比较。使用正确率(CR)和误诊率(MCR)这两个指标评价故障诊断方法的诊断性能,对比结果显示在附图2(a)、(b)中。传统技术途径1表示使用单一劣化等级下的参考故障模式表示综合参考故障模式的故障诊断方法;传统技术途径2表示单一依靠最大关联度原则确定故障模式的故障诊断方法。附图2(a)、(b)显示,与传统技术途径1和传统技术途径2相比,本发明提出的方法不仅显著提高了7种故障的诊断CR,最大将CR从25%提高到92.5%(rl故障),而且显著降低了7种故障的诊断MCR,最大从18.3%下降到0.4%(cf故障)。结果同时显示:本发明提出的一种基于GSRA模型的冷水机组故障诊断方法在训练集样本量很小的情况下仍然有着良好的诊断性能,即对小样本模式识别有着良好的分类效果,且具有计算量小、参数优化简单、不要求数据服从某种特定分布等诸多优点。相比于将GSRA应用到冷水机组故障诊断中的传统技术途径,本发明提出的一种基于GSRA模型的冷水机组故障诊断方法显著提高了故障诊断性能。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (3)
1.一种基于GSRA模型的冷水机组故障诊断方法,其特征在于,包括下述步骤:
步骤1:离线模型训练
1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据;
1b)稳态过滤:使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤,得到稳态的样本数据;
1c)特征选择:选择合适的特征表征冷水机组的健康状态;
1d)构建训练集:根据步骤1c)选择的表征冷水机组健康状态的特征,随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集;
1e)使用训练集数据,对每个劣化等级下的每个已知故障构建参考故障模式;
1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式;
1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值;
步骤2:在线模型应用
2a)在线实时监测实际现场冷水机组上的特征;
2b)稳态过滤:使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤;
2c)特征选择:选择与步骤1c)相同的特征表征冷水机组的健康状态;
2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列;
2e)定性诊断,即确定待检故障模式的嫌疑故障模式;计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障Fi对应的综合参考故障模式之间的灰色相似关联度GSRD,即ri;
将i从1循环到n,即得待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD;
输出所有的满足ri≥Ri的综合参考故障模式,即为待检故障模式的嫌疑故障模式;如果对所有的已知故障模式,都不满足ri≥Ri,则表明待检故障模式为一种新故障;其中,Ri为关联度阈值;
2f)定量诊断,即确定待检故障模式的类别与劣化等级;
2g)故障诊断结束,输出故障诊断报告;
所述步骤1f)中,设定已知故障为Fi,已知故障Fi的综合参考故障模式可表示成Fi=[xi(1),xi(2),…xi(m)],xi(l)的计算见公式(1)
式中,表示已知故障Fi在劣化等级为SL时的第l个特征,SL=1~4,表示4个劣化等级;l=1,2,…,m,m表示表征冷水机组健康状态的特征的总个数;p(1),p(2),p(3),p(4)表示权系数,具体为p=[1u,2u,3u,4u],其中u称为加权指数;
确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u,具体见下式:
式中:n表示已知故障的个数;
所述步骤1g)中,基于GA确定对应每个已知故障的最佳关联度阈值,具体步骤如下:
1g-1)将步骤1d)确定的训练集样本按照已知故障的种类分成n类,一个已知故障对应一类,其中n表示已知故障的个数;假设每类都有N个样本,则总样本数就是n×N;
1g-2)计算所有的属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rid表示,d=1,2,…,N;计算所有的不属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD,用rih表示,h=1,2,…,n×N;
1g-3)搜索rid的最小值min rid;搜索rih的最大值max rih;
1g-4)若min rid≥max rih,则对应已知故障Fi的最佳关联度阈值Ri=min rid;若min rid<max rih,则关联度阈值Ri是min rid和max rih之间的折中;令Ri=βmin rid+(1-β)max rih;统计rid<Ri的样本数,记为b1;统计rih>Ri的样本数,记为b2;则对应已知故障Fi的漏判率ELi=b1/N,误判率EWi=b2/N;利用GA,找到使(b1/N+b2/N)最小时的β,以此确定对应已知故障Fi的最佳关联度阈值Ri。
2.根据权利要求1所述的一种基于GSRA模型的冷水机组故障诊断方法,其特征在于,所述步骤1g-2)中,GSRD的计算步骤如下:
1g-2-1)设Fi为参考序列,UF为比较序列,它们表示如下:
Fi=[xi(1),xi(2),…,xi(m)],UF=[x(1),x(2),…,x(m)]
其中xi(l),x(l)表示第l个特征,l=1,2,…,m,m表示表征冷水机组健康状态的特征的总个数;
1g-2-2)比较序列UF与参考序列Fi在l点的GSRD,由公式(3)计算得到:
因此,比较序列UF与参考序列Fi的GSRD由公式(4)计算:
3.根据权利要求1所述的一种基于GSRA模型的冷水机组故障诊断方法,其特征在于,所述步骤2f)中,计算待检故障模式与步骤2e)确定的所有的嫌疑故障模式在每个劣化等级下的参考故障模式之间的GSRD,其中参考故障模式已由步骤1e)确定,依据最大关联度原则确定待检故障模式的类别和劣化等级,即当待检故障模式与某个劣化等级下的某个嫌疑故障模式的参考故障模式之间的GSRD最大时,就认为该嫌疑故障模式及相应的劣化等级就是该待检故障模式的类别和劣化等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710158966.1A CN106845036B (zh) | 2017-03-16 | 2017-03-16 | 一种基于gsra模型的冷水机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710158966.1A CN106845036B (zh) | 2017-03-16 | 2017-03-16 | 一种基于gsra模型的冷水机组故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845036A CN106845036A (zh) | 2017-06-13 |
CN106845036B true CN106845036B (zh) | 2019-11-08 |
Family
ID=59143690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710158966.1A Expired - Fee Related CN106845036B (zh) | 2017-03-16 | 2017-03-16 | 一种基于gsra模型的冷水机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845036B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN105242155A (zh) * | 2015-11-18 | 2016-01-13 | 南京工程学院 | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 |
CN105719007A (zh) * | 2016-01-22 | 2016-06-29 | 南京富岛信息工程有限公司 | 一种红外热轴音频通道故障预测方法 |
CN106355320A (zh) * | 2016-08-29 | 2017-01-25 | 西安建筑科技大学 | 一种灰色系统海底油气管道坠物腐蚀可靠性评估方法 |
-
2017
- 2017-03-16 CN CN201710158966.1A patent/CN106845036B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN105242155A (zh) * | 2015-11-18 | 2016-01-13 | 南京工程学院 | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 |
CN105719007A (zh) * | 2016-01-22 | 2016-06-29 | 南京富岛信息工程有限公司 | 一种红外热轴音频通道故障预测方法 |
CN106355320A (zh) * | 2016-08-29 | 2017-01-25 | 西安建筑科技大学 | 一种灰色系统海底油气管道坠物腐蚀可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
Chiller Fault Diagnosis Based on Grey Similitude Relation Analysis;Zhanwei Wang 等;《Journal of Grey System》;20171231;第29卷(第4期);61-74 * |
一种新的灰色相似关联度及其应用;崔杰;《统计与决策》;20081030(第20期);14-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845036A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792762B (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
Wang et al. | Feature selection based on Bayesian network for chiller fault diagnosis from the perspective of field applications | |
Zhao et al. | A statistical fault detection and diagnosis method for centrifugal chillers based on exponentially-weighted moving average control charts and support vector regression | |
CN108758969A (zh) | 一种冷水机组故障检测方法和系统 | |
CN103403463B (zh) | 故障检测和诊断算法 | |
CN105372087A (zh) | 基于多传感器信号分析的故障诊断方法 | |
CN108334059A (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
Zhao et al. | A virtual condenser fouling sensor for chillers | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
CN107806690B (zh) | 一种基于贝叶斯网络的家用空调故障诊断方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN105067252B (zh) | 一种基于改进的FastICA的冷水机组故障检测方法 | |
CN101251564A (zh) | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
CN115508119A (zh) | 残差-知识-数据联合驱动的故障复合诊断方法及系统 | |
CN110046662B (zh) | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 | |
CN106845036B (zh) | 一种基于gsra模型的冷水机组故障诊断方法 | |
CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN110289112B (zh) | 基于层次分析和模糊评价的核动力装置健康状态诊断方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN113934191A (zh) | 一种冷水机组故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |