CN106971027B - 一种基于dr-bn模型的冷水机组故障特征选择方法 - Google Patents
一种基于dr-bn模型的冷水机组故障特征选择方法 Download PDFInfo
- Publication number
- CN106971027B CN106971027B CN201710138726.5A CN201710138726A CN106971027B CN 106971027 B CN106971027 B CN 106971027B CN 201710138726 A CN201710138726 A CN 201710138726A CN 106971027 B CN106971027 B CN 106971027B
- Authority
- CN
- China
- Prior art keywords
- fault
- features
- existing
- model
- determining
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 239000013589 supplement Substances 0.000 claims abstract description 11
- 230000000717 retained effect Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000007792 addition Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000003507 refrigerant Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于DR‑BN模型的冷水机组故障特征选择方法,包括:提名可保留的既有特征和增补特征的准则和使用基于DR‑BN模型的FD方法对冷水机组的故障特征选择结果进行评价。依据提名准则提名可保留的既有特征,使用FD方法评价提名的可保留的既有特征;去除确定的冗余特征,得到保留的既有特征;若仅使用保留的既有特征能够获得期望的FD性能,则特征选择结束;否则需要增补特征;依据提名准则提名增补特征,再使用同样的FD方法评价提名的增补特行,以确定增补特征及其增补顺序;最终确定保留的用于故障诊断既有特征和增补特征。该方法有效克服了目前故障特征选择存在的主要局限性,具有诊断软故障的能力,大大提升了故障诊断系统现场应用的经济性。
Description
技术领域
本发明属于空调系统中冷水机组故障诊断领域,具体涉及一种基于融入距离拒绝的贝叶斯网络(DR-BN)模型的冷水机组故障特征选择方法。
背景技术
冷水机组是空调系统中的主要耗能设备,通过冷水机组的故障诊断,及时发现故障、排除故障,对空调系统可靠运行及节约能源具有重要意义。
冷水机组故障诊断性能优劣,主要取决于冷水机组故障特征选择是否合适,以及与所选故障特征匹配的冷水机组故障诊断方法是否合适。在已有的冷水机组故障诊断技术中,故障特征的选择主要存在两大局限性:
1)目前在现场应用中,冷水机组已有故障特征选择,主要针对冷水机组硬故障(如高温报警等)的诊断,因此,已有传感器数据对软故障(如某指标性能劣化)的表征并不合适,难以实现对冷水机组软故障进行诊断;
2)而在实验室中,冷水机组故障特征的选择,虽然可以实现冷水机组软故障的诊断,但故障特征选择过多,导致对传感器要求过高,这在现场应用时故障诊断系统价格过高,经济上无法承受。
发明内容
为解决现有技术中存在的上述缺陷,本发明提出了一种基于DR-BN模型的冷水机组故障特征选择方法,根据该方法所确定的故障特征以及匹配的故障诊断方法,在现场冷水机组故障诊断应用中,既可以实现软故障诊断,又可以大大提升现场应用的经济性,从而有效克服目前故障特征选择存在的主要局限性。
为了有效克服目前故障特征选择存在的主要局限性,从现场应用的角度,提出了一种基于DR-BN模型的冷水机组故障特征选择方法,包括:(1)对可保留的既有特征和增补特征进行提名的准则;(2)基于DR-BN模型的对特征选择结果进行评价的方法。
实现本发明的目的的技术路径是:首先对安装在现场的冷水机组进行抽样调查,以现场传感器的安装频率高,对故障敏感和在线计算量小为准则,提名可保留的既有特征;其次使用基于DR-BN模型的故障诊断(FD)方法对提名的可保留的既有特征进行评价,去除这些特征之间的信息冗余后,得到保留的既有特征;然后,如果仅使用保留的既有特征不能使基于DR-BN模型的FD方法获得期望的FD性能,需要增补额外的特征,即再以获取成本低和对故障敏感为准则,提名增补特征;最后,再次使用同样的FD方法在保留的既有特征的基础上对这些提名的增补特征进行评价,从而确定增补特征及其增补的顺序。
本发明是具体技术方案如下。
一种基于DR-BN模型的冷水机组故障特征选择方法,包括下述步骤:
步骤1:对安装在现场的冷水机组的传感器安装频率进行统计,得到现场的冷水机组的传感器安装频率;
步骤2:构建基于DR-BN模型的FD方法;
步骤3:依据提名准则,对可以保留的传感器采集的用于故障诊断的既有特征进行提名,即提名可保留的既有特征;
步骤4:对这些提名的可保留的既有特征采用DR-BN模型的FD方法来进行故障诊断,即使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价;
步骤5:对使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价后确定的冗余特征进行去除,确定保留的用于故障诊断的既有特征;
步骤6:如果仅使用保留的用于故障诊断的既有特征使基于DR-BN模型的FD方法满足期望的FD性能,则故障特征选择结束;如果不满足期望的FD性能,则需要增补额外的特征,进入下一步;
步骤7:依据提名准则,提名增补特征;再次使用同样的基于DR-BN模型的FD方法在保留的用于故障诊断的既有特征基础上对这些提名的增补特征进行评价,从而确定增补特征及其增补的顺序;
步骤8:确定保留的用于故障诊断既有特征和增补特征。
所述步骤2中,构建基于DR-BN模型的FD方法包括下述过程:
2a)确定DR-BN模型结构:
DR-BN的结构包括二层,第一层故障层;第二层为征兆层;
2b)确定DR-BN模型的参数
需要确定的参数包括第一层故障层的已知故障Fk的两个状态true和false(分别表示故障发生和故障未发生)的先验概率,给定Fk=true时的描述连续型节点X的高斯分布的两个参数,均值向量μk和协方差矩阵∑k,给定Fk=false时的表示距离拒绝的系数c;
2c)基于DR-BN模型的FD方法进行故障诊断:
进行故障诊断的规则如下:
若P(Fk*=true|x)>P(Fk*=false|x),则x∈Fk*,否则,x∈NF
进一步,所述步骤3中,提名准则为现场传感器的安装频率高,对故障敏感和在线计算量小;所述安装频率高为现场传感器的安装频率不低于80%;所述对故障敏感为故障能引起特征的显著变化;所述在线计算量小为传感器直接测量量或通过不多于2步的简单数学运算(即:加、减、乘、除)计算得到。
进一步,步骤5中,确定保留的用于故障诊断的既有特征,通过下述方法实现:
5a)通过实验或现场存储的历史数据获得故障历史数据;
5b)使用已有的稳态过滤方法对原始的故障历史数据进行稳态过滤;
5e)根据步骤2a)确定DR-BN模型的结构,根据步骤2b)确定DR-BN的参数,即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数;
5f)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试,依据步骤2c)确定的诊断规则输出诊断结果,将i从1循环到A,就获得了匹配的FD方法的FD性能随选择的可保留的既有特征数的变化规律。
进一步,所述步骤6中,根据基于DR-BN模型的FD方法是否能够获得期望的FD性能来判断是否增补额外的特征;所述期望的FD性能为所有故障的诊断正确率不低于用户的具体要求,比如70%。
进一步,所述安装在现场的冷水机组的传感器包括温度、压力、流量和功率传感器。进一步,所述步骤7中,提名准则为以获取成本低和对故障敏感;所述获取成本低为由温度传感器和压力传感器获得的特征;所述对故障敏感为故障能引起特征的显著变化。
进一步,步骤7中,确定增补特征及其增补的顺序通过下述方法实现:
7a)使用与步骤5a)相同的故障历史数据;
7b)使用与步骤5b)相同的已有的稳态过滤方法对原始的故障历史数据进行稳态过滤;
7c)在步骤5f)确定的保留的既有特征的基础上再增加j个提名的增补特征,j从1循环到B,B表示步骤7中确定的提名的增补特征的总个数,使用a表示保留的既有特征的个数,a≤A;
7f)根据步骤2a)确定DR-BN模型的结构,根据步骤2b)确定DR-BN的参数,即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数;
7g)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试,依据步骤2c)确定的诊断规则输出诊断结果,将j从1循环到B,就获得了匹配的FD方法的FD性能随选择的增补特征数的变化规律。
进一步,步骤7中,确定增补特征及其增补顺序的准则是:
1)增补特征能提高故障诊断的正确率;
2)在满足故障诊断正确率不低于70%的要求下,增补特征的数量要少。
本发明的有益效果是:
本发明提出的冷水机组故障特征选择方法所确定的故障特征是由现场普遍可获得的特征和增补的少量的获取成本低的特征组成,这大大提升了故障诊断系统现场应用的经济性;本发明确定的与所选择的故障特征匹配的FD方法是基于DR-BN模型的方法,该方法具有诊断软故障的能力。因此,本发明有效克服了目前故障特征选择存在的主要局限性。
附图说明
图1为本发明进行故障特征选择的技术路线图;
图2为DR融入故障Fk的DR-BN模型的结构和参数;
图3为对选择的可保留的既有特征进行评价的流程;
图4为在保留的既有特征的基础上对提名的增补特征进行评价的流程;
图5为基于DR-BN的FD方法的性能随选择的可保留的既有特征的个数的变化规律;
图6(a)-(d)分别为四种情况下的基于DR-BN的FD方法的性能随选择的增补特征的个数的变化规律。
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。
参照附图1所示,对本发明提出的基于DR-BN模型的冷水机组故障特征选择方法的具体实施步骤说明如下:
步骤1:对安装在现场的冷水机组进行抽样调查,以了解现场的冷水机组安装的传感器现状,进而确定现场传感器的安装频率。统计的现场的冷水机组的传感器包括温度、压力、流量和功率传感器。
步骤2:构建基于DR-BN模型的FD方法,使用该方法对故障特征选择的结果进行评价。构建DR-BN的模型的具体步骤如下:
(2a)确定DR-BN的结构。
通常依据变量间的因果关系确定BN的结构。本发明构建的DR-BN的结构见附图2,它由两层组成:第一层为故障层,Fk表示一种已知故障,k∈[1,n];第二层为征兆层,X∈Rm,由m个表征故障的特征组成。
(2b)确定DR-BN的参数。
需要确定的参数如下:
F<sub>k</sub> | X |
true | X~N(μ<sub>k</sub>,∑<sub>k</sub>) |
false | X~N(μ<sub>k</sub>,c×∑<sub>k</sub>) |
BN的参数包括根节点的先验概率和子节点的条件概率。附图2中,第一层故障层的已知故障Fk的状态有两个:true和false,分别表示故障发生和故障未发生,其先验概率可由专家经验或通过对维修服务的历史记录统计其发生频率确定;第二层故障层中的征兆节点X为连续型节点,假设其服从m维条件高斯分布,给定Fk=true时的描述分布的两个参数(均值向量μk和协方差矩阵∑k)通过对历史故障数据进行极大似然估计得到。为了获得Fk=false时的X的高斯分布,本发明假设给定Fk=false时的X与Fk=true时有着同样的μk但更大的∑k,这就是DR的机制,其本质是数理统计中假设检验中的小概率拒绝思想。
附图2显示了将DR融入到故障Fk的情形,其中,系数c表示DR,c>1,由公式(1)和公式(2)确定。
式中:CL表示T2统计量的控制限,m表示征兆节点X的维数,N表示样本数,Fα(m,N-m)表示自由度为m和N-m的F分布的上α分位点。α控制着DR的程度,α值越大,DR的程度越大。实际确定α值时,需要多次尝试确定,以找到诊断正确率最高时的α值。
(2c)基于DR-BN的FD方法使用如下的规则来诊断故障:
对于传感器采集的一组特征x,它们是步骤2b)中的征兆节点X的其中的一组数据;令表示n种已知故障模式中P(Fk=true|x)的最大值;若P(Fk*=true|x)>P(Fk*=false|x),则x∈Fk*,否则,x∈NF,NF表示一种新故障。
步骤3:依据提名准则,对可以保留的传感器采集的用于故障诊断的既有特征进行提名,即提名可保留的既有特征。
提名可保留的既有特征。由安装在现场的既有传感器产生的直接测量参数和它们的二次计算参数有很多,本发明将这些参数称为既有特征。穷尽所有的既有特征组合显然是不现实的。因此,本发明首先提名可保留的既有特征,提名准则是:现场传感器的安装频率高,对故障敏感和在线计算量小。安装频率高为现场传感器的安装频率不低于80%;对故障敏感为故障能显著引起特征的变化;在线计算量小为传感器直接测量量或通过不多于2步的简单数学运算(即:加、减、乘、除)计算得到。
步骤4:对这些提名的可保留的既有特征采用DR-BN模型的FD方法来进行故障诊断,即使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价。
评价提名的可保留的既有特征。使用步骤2构建的基于DR-BN的FD方法对提名的可保留的既有特征进行评价,以获得匹配的FD方法的FD性能随选择的可保留的既有特征的个数的变化规律,根据这一规律可回答如下两个问题:
1)可保留的既有特征之间是否存在信息冗余?
2)仅使用保留的既有特征(去除信息冗余之后的可保留的既有特征)对匹配的FD方法获得优良的FD性能是否足够?
步骤5:对使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价后确定的冗余特征进行去除,确定保留的用于故障诊断的既有特征;对可保留的既有特征进行评价的流程见附图3,附图3中,F1,F2,Λ,Fn表示n种冷水机组故障,i表示选择的可保留的既有特征的个数。结合附图3,对提名的可保留的既有特征进行评价的详细过程说明如下:
5a)通过实验或现场存储的历史数据获得故障历史数据;
5b)将原始的故障历史数据进行稳态过滤;
5d)对应每一种特征组合将稳态数据随机划分为训练集和测试集;
5e)根据步骤(2a)确定DR-BN的结构。根据步骤(2b)确定DR-BN的参数,即使用训练集数据和专家经验或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数;
5f)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行评价,依据步骤(2c)确定的诊断规则输出诊断结果。将i从1循环到A,就获得了匹配的FD方法的FD性能随选择的可保留的既有特征的个数的变化规律。
确定保留的既有特征。确定保留的既有特征的准则是去除存在于可保留的既有特征之间的信息冗余。过量的信息冗余不仅会造成故障诊断正确率的下降,而且会增加在线FD过程的计算量。通过对可保留的既有特征进行评价,如果这些特征之间存在着信息冗余,应当去除它。去除信息冗余之后的特征就是保留的既有特征。保留的既有特征属于现场普遍可获得的特征。而当仅使用保留的既有特征不足以使基于DR-BN的FD方法获得优良的诊断性能时,需要增补额外的特征。
步骤6:如果仅使用保留的用于故障诊断的既有特征使基于DR-BN模型的FD方法满足期望的FD性能,则故障特征选择结束;如果不满足期望的FD性能,则需要增补额外的特征,进入下一步。
根据基于DR-BN模型的FD方法是否能够获得期望的FD性能来判断是否增补额外的特征;所述期望的FD性能为所有故障的诊断正确率不低于70%。
步骤7:依据提名准则,提名增补特征;再次使用同样的基于DR-BN模型的FD方法在保留用于故障诊断的既有特征基础上对这些提名的增补特征进行评价,从而确定增补特征及其增补的顺序。
确定增补特征及其增补顺序的具体步骤如下:
7a)提名增补特征。首先提名可增补的传感器,提名准则有两个:1)成本低;2)获得的特征对故障敏感。获取成本低为由温度传感器和压力传感器获得的特征;所述对故障敏感为故障能引起特征的显著变化。
7b)评价提名的增补特征。使用基于DR-BN的FD方法,在保留的既有特征的基础上对提名的增补特征进行评价,以获得匹配的FD方法的FD性能随选择的增补特征的个数的变化规律,根据这一规律可回答如下的问题:当仅使用保留的既有特征不足使匹配的FD方法获得优良的FD性能时,需要增补哪些特征?在保留的既有特征的基础上对选择的增补特征进行评价的流程见附图4。它与附图3基本相同,唯一的区别在于,附图4显示的流程是在保留的既有特征的基础上再增加j个选择的增补特征,j从1循环到B,B表示步骤7a)中提名的增补特征的总个数。附图4中,a表示保留的既有特征的个数,a≤A。
7c)确定增补特征及其增补顺序。
确定增补特征及其增补顺序的准则是:1)增补特征能提高故障诊断的正确率;2)在满足故障诊断正确率不低于70%的要求下,增补特征的数量要少。增补少数量的特征不仅能减少传感器的数量,从而降低传感器的投资,而且有利于降低在线FD过程的计算量,这对FD系统的现场应用有着重要意义。
下面通过具体实施例进一步阐述本发明提出的基于DR-BN模型的冷水机组故障特征选择方法的具体实施和验证本发明的有益效果:
实施例:本实施例使用的历史故障数据来源于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:对安装在现场的冷水机组进行抽样调查。
为了了解现场的冷水机组安装的传感器现状,对位于陕西省的西安、杨凌、咸阳、渭南、商洛和汉中的冷水机组机房进行了抽样调查,随机选择了22个冷水机组机房,其服务的建筑类型包括住宅和办公,设备厂家包括国产和进口,设备开始使用时间从2003年到2016年,设备制冷量从375kW到3,285kW,所选调研的机组基本可反映目前安装在现场的冷水机组的传感器的现状。调研结果见表1。结果显示:编号1~8的8个传感器的存在频率为100%,它们是现场普遍被安装的传感器,存在于调研的所有机房中,它们是:TEI,TEO,TCI,TCO,TRE/PRE,TRC/PRC,P_in,TR_dis,其中,由于TRE和PRE之间存在着一一对应的关系,因此可认为它们是等价的,TRC和PRC也是如此。
表1现场冷水机组安装传感器统计结果
步骤2:构建基于DR-BN模型的FD方法。
本实施例确定DR-BN的结构见附图2;使用ASHRAE RP-1043通过维修服务记录统计出的故障发生频率作为构建的DR-BN中的各故障的先验概率,见表2。通过对步骤3确定的训练集数据进行极大似然估计确定征兆节点X的均值向量和协方差矩阵(附图2中的μk和∑k)。
表2ASHRAE RP-1043通过维修服务记录统计出的故障发生频率
步骤3:确定保留的既有特征。具体的步骤如下:
(3a)提名可保留的既有特征。
依据提名准则,即:现场传感器的存在频率高,对故障敏感和在线计算量小,根据表1呈现的现场冷水机组安装传感器的统计结果,提名可保留的既有特征见表3,共11个可保留的既有特征,其中编号1~8为现场存在频率高的传感器的直接测量参数,编号9~11为它们的二次计算参数。虽然像COP和LMTD(对数平均温差)这样的二次计算参数有着较强的物理含义,但是它们对故障敏感的程度可能低于直接测量参数,这是因为它们融合了太多的降低故障敏感程度的信息,而且它们需要较多额外的计算量,这在一定程度上增加了在线FD过程的计算量,故将它们排除在外。
表3提名的可保留的既有特征
(3b)评价提名的可保留的既有特征。结合附图3,此步骤又可具体分为如下的步骤:
(3b-1)使用已有的数据预处理方法对故障历史数据进行稳态检测;
(3b-3)经过稳态筛选后,对包含全部劣化等级下的每种典型故障,分别随机选取1,500个样本,然后随机划分为1,000个样本的训练集和500个样本的测试集。因此,共计7,000个样本的训练集和3,500个样本的测试集。
(3b-4)依据对训练集数据进行极大似然估计确定征兆节点X的均值向量和协方差矩阵(附图2中的μk和∑k)。通过多次试算,本实施例选择显著性水平α=0.025,至此,对应每个已知故障的DR-BN模型就构建完成。
(3b-5)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行评价,依据具体实施步骤中的步骤(2c)确定的诊断规则输出诊断结果。将i从1循环到11,就获得了匹配的FD方法的FD性能随选择的可保留的既有特征的个数的变化规律。
(3c)确定保留的既有特征。
根据附图3显示的对选择的可保留的既有特征进行评价的流程,匹配的FD方法的FD性能随这些特征的个数的变化规律呈现在附图5中,其中,CR表示正确率,为特征数i所对应的种特征组合中7种典型故障正确率之和的最大值,此时,7种典型故障的总体诊断性能最佳。
由附图5,可以得出:1)可保留的既有特征之间存在信息冗余。由附图5,当特征数5≤i≤11时,随着特征数的增加,fwc、fwe、ro和nc故障的CR保持不变,而eo故障的CR逐渐下降;rl和cf故障的CR在特征数5≤i≤8时缓慢上升,在8≤i≤11时,基本保持不变。这说明11个可保留的既有特征之间存在信息冗余。这种冗余不会对诊断fwc、fwe、ro、nc、rl和cf故障的CR产生负面的影响,但对eo来说,是一种会对诊断过程产生负面影响的干扰。因此,当去除可保留的既有特征之间存在的信息冗余后,得到的保留的既有特征的个数是5,6,7或8;2)仅使用保留的既有特征表征故障对准确诊断fwc、fwe、ro、nc和eo故障是足够的,而对有效诊断rl和cf故障是不足够的,它们需要增补额外的特征。由附图5,当保留的既有特征数i=5时,诊断故障fwc、fwe、ro、nc和eo的CR超过90%,这5个特征分别为表3中的TEI,TEO,TCI,TCO和TRC。而即使当保留的既有特征数i=8时,诊断rl和cf的CR也仅约为50%。
根据上述的分析,去除表征故障fwc、fwe、ro、nc和eo的可保留的既有特征之间的信息冗余后,保留的既有特征的个数a=5,考虑到故障cf和rl的诊断CR,保留的既有特征的个数a=8。选择保留的既有特征的个数a分别为5,6,7,8,并分为4种情况进行进一步的考察,这4种情况分别对应case1~case4,它们所对应的具体的保留的既有特征显示在表4中。
表4四种情况所对应的具体的保留的既有特征
步骤4:确定增补特征。确定增补特征的具体步骤如下:
(4a)提名增补特征。
通过向销售人员的咨询,温度、压力和流量传感器的平均价格见表5。显然,相比于流量传感器,温度和压力传感器为低成本传感器。依据提名准则,即:成本低和获得的特征对故障敏感,提名4个可被增补的传感器,它们是TRC_sub,T_suc,TO_sump和PO_feed,由它们可产生5个特征,显示在表6中,这5个特征就是提名的增补特征。
表5温度、压力和流量传感器的平均价格
备注:上标1:FR表示满量程;上标2:MV表示测量值。
表6提名的增补特征
(4b)评价提名的增补特征。
根据附图4显示的在保留的既有特征的基础上对提名的增补特征进行评价的流程,四种情况下的匹配的FD方法的FD性能随选择的增补特征的个数的变化规律显示在附图6(a)-(d)中,其中,CR表示正确率,为选择的增补特征数j所对应的种特征组合中7种典型故障正确率之和的最大值。根据评价结果,对于选择的不同数量的增补特征,四种情况下的补充的具体的增补特征显示在表7中。
表7四种情况下的补充的具体的增补特征
(4c)确定增补特征及其增补顺序。
表7显示四种情况下的增补的具体特征完全相同,则由此确定5个提名的增补特征的增补顺序为:PO_feed(No.1),TRC_sub(No.2),Tsh_suc(No.3),T_suc(No.4),TO_sump(No.5)。由附图6(a)-(d)和表7,可以得出:1)四种情况下的诊断fwc、fwe、ro、nc和eo故障的CR基本不随选择的增补特征数变化;2)补充PO_feed的特征后,诊断cf故障的CR显著上升,从约40%上升到约98%,这说明PO_feed是能显著提高cf故障的CR的关键特征。而在补充PO_feed的特征后,诊断cf故障的CR不再变化;3)依次增加PO_feed,TRC_sub,Tsh_suc(j=1,2,3)的特征后,诊断rl故障的CR持续升高,而之后保持不变。明显地,特征T_suc和TO_sump对7种典型故障来说都是不需要的;4)随着保留的既有特征的个数a的增加(case1到case4),fwc、fwe、ro、nc和eo故障的CR基本不变,cf故障的CR在增加PO_feed的特征后也基本保持不变,而rl故障的CR则稍微升高。在增加PO_feed,TRC_sub,Tsh_suc(j=3)的特征后,四种情况下的rl故障的CR分别为62%(case1),65%(case2),66%(case3)和70%(case4)。
根据上述的分析,确定增补特征(增补顺序)为PO_feed(No.1),TRC_sub(No.2),Tsh_suc(No.3)。使用上述3个增补特征和case4中的8个保留的既有特征表征故障时,7种典型软故障的CR见表8。表8显示,使用本发明提出的冷水机组故障特征选择方法所确定的故障特征是由现场普遍可获得的特征和增补的少量的获取成本低的特征组成;结果同时显示,与所选择的故障特征匹配的FD方法,即基于DR-BN的FD方法,能够有效诊断冷水机组典型软故障。
表8使用3个增补特征和case4中的8个保留的既有特征表征故障时各典型软故障的CR。
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 (9)
1.一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,包括下述步骤:
步骤1:对安装在现场的冷水机组的传感器安装频率进行统计,得到现场的冷水机组的传感器安装频率;
步骤2:构建基于DR-BN模型的FD方法,使用该方法对冷水机组的故障特征选择的结果进行评价;
步骤3:依据提名准则,对可以保留的传感器采集的用于故障诊断的既有特征进行提名,即提名可保留的既有特征;
步骤4:对这些提名的可保留的既有特征采用DR-BN模型的FD方法来进行故障诊断,即使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价;
步骤5:对使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价后确定的冗余特征进行去除,确定保留的用于故障诊断的既有特征;
步骤6:如果仅使用保留的用于故障诊断的既有特征使基于DR-BN模型的FD方法满足期望的FD性能,则故障特征选择结束;如果不满足期望的FD性能,则需要增补额外的特征,进入下一步;
步骤7:依据提名准则,提名增补特征;再次使用同样的基于DR-BN模型的FD方法在保留用于故障诊断的既有特征基础上对这些提名的增补特征进行评价,从而确定增补特征及其增补的顺序;
步骤8:确定保留的用于故障诊断的既有特征和增补特征;
所述步骤2中,构建基于DR-BN模型的FD方法包括下述过程:
2a)确定DR-BN模型结构:
DR-BN的结构包括二层,第一层故障层;第二层为征兆层;
2b)确定DR-BN模型的参数
需要确定的参数包括第一层故障层的已知故障Fk的两个状态true和false的先验概率,给定Fk=true时的描述连续型节点X的高斯分布的两个参数,均值向量μk和协方差矩阵∑k,给定Fk=false时的表示距离拒绝的系数c;其中,true和false分别表示故障发生和故障未发生;
2c)基于DR-BN模型的FD方法进行故障诊断:
进行故障诊断的规则如下:
2.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,所述步骤2中,构建基于DR-BN模型的FD方法包括下述过程:
2a)确定DR-BN模型结构:
DR-BN的结构包括二层,第一层故障层,Fk表示一种已知故障,k∈[1,n];第二层为征兆层,X∈Rm,由m个故障特征组成;
2b)确定DR-BN模型的参数
需要确定的参数如下:
包括第一层故障层的已知故障Fk的两个状态true和false的先验概率,给定Fk=true时的描述连续型节点X的高斯分布的两个参数,均值向量μk和协方差矩阵∑k,给定Fk=false时的表示距离拒绝的系数c;其中,true和false分别表示发生和未发生;
第一层故障层的已知故障Fk的两个状态的先验概率可由专家经验或通过对维修服务的历史记录统计其发生频率确定;
第二层征兆层中的连续型节点X的均值向量μk和协方差矩阵∑k通过对历史故障数据进行极大似然估计得到,系数c>1,由下式(1)、(2)确定:
式中:CL表示T2统计量的控制限,m′表示连续型节点X的维数,N表示样本数,Fα(m″,N-m″)表示自由度为m″和N-m″的F分布的上α分位点,α控制着DR的程度;
2c)基于DR-BN模型的FD方法进行故障诊断:
对于传感器采集的一组特征x,它们是步骤2b)中的连续型节点X的其中的一组数据。
3.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,所述步骤3中,提名准则为现场传感器的安装频率高,对故障敏感和在线计算量小;所述安装频率高为现场传感器的安装频率不低于80%;所述对故障敏感为故障能引起特征的显著变化;所述在线计算量小为传感器直接测量量或通过不多于2步的简单数学运算计算得到。
4.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,步骤5中,确定保留的用于故障诊断的既有特征,通过下述方法实现:
5a)通过实验或现场存储的历史数据获得故障历史数据;
5b)使用已有的稳态过滤方法对原始的故障历史数据进行稳态过滤;
5e)根据步骤2a)确定DR-BN模型的结构,根据步骤2b)确定DR-BN的参数,即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数;
5f)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试,依据步骤2c)确定的诊断规则输出诊断结果,将i从1循环到A,就获得了匹配的FD方法的FD性能随选择的可保留的既有特征数的变化规律。
5.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,所述步骤6中,根据基于DR-BN模型的FD方法是否能够获得期望的FD性能来判断是否增补额外的特征;所述期望的FD性能为所有故障的诊断正确率不低于70%。
6.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,所述安装在现场的冷水机组的传感器包括温度、压力、流量和功率传感器。
7.根据权利要求6所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,所述步骤7中,提名准则为获取成本低和对故障敏感,所述获取成本低为由温度传感器和压力传感器获得的特征;所述对故障敏感为故障能引起特征的显著变化。
8.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,步骤7中,确定增补特征及其增补的顺序通过下述方法实现:
7a)使用与步骤5a)相同的故障历史数据;
7b)使用与步骤5b)相同的已有的稳态过滤方法对原始的故障历史数据进行稳态过滤;
7c)在步骤5f)确定的保留的既有特征的基础上再增加j个提名的增补特征,j从1循环到B,B表示步骤7中确定的提名的增补特征的总个数,使用a表示保留的既有特征的个数,a≤A;
7f)根据步骤2a)确定DR-BN模型的结构,根据步骤2b)确定DR-BN的参数,即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数;
7g)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试,依据步骤2c)确定的诊断规则输出诊断结果,将j从1循环到B,就获得了匹配的FD方法的FD性能随选择的增补特征数的变化规律。
9.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法,其特征在于,步骤7中,确定增补特征及其增补顺序的准则是:
1)增补特征能提高故障诊断的正确率;
2)在满足故障诊断正确率不低于70%的要求下,增补特征的数量要少。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710138726.5A CN106971027B (zh) | 2017-03-09 | 2017-03-09 | 一种基于dr-bn模型的冷水机组故障特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710138726.5A CN106971027B (zh) | 2017-03-09 | 2017-03-09 | 一种基于dr-bn模型的冷水机组故障特征选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106971027A CN106971027A (zh) | 2017-07-21 |
CN106971027B true CN106971027B (zh) | 2020-06-23 |
Family
ID=59329426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710138726.5A Expired - Fee Related CN106971027B (zh) | 2017-03-09 | 2017-03-09 | 一种基于dr-bn模型的冷水机组故障特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971027B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844799B (zh) * | 2017-10-17 | 2021-06-08 | 西安建筑科技大学 | 一种集成svm机制的冷水机组故障诊断方法 |
CN108898120A (zh) * | 2018-07-04 | 2018-11-27 | 四川泰立智汇科技有限公司 | 基于混合神经网络的冷水机组故障诊断方法 |
CN110046662B (zh) * | 2019-04-10 | 2022-09-16 | 河南科技大学 | 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 |
CN111797136A (zh) * | 2020-06-28 | 2020-10-20 | 五邑大学 | 基于大数据对空调软故障分析方法、装置及存储介质 |
CN113051530A (zh) * | 2021-04-02 | 2021-06-29 | 西安建筑科技大学 | 一种基于kde-fa的冷水机组故障特征刻画方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7124637B2 (en) * | 2004-03-22 | 2006-10-24 | Johnson Controls Technology Company | Determining amplitude limits for vibration spectra |
CN102819684A (zh) * | 2012-08-15 | 2012-12-12 | 西安建筑科技大学 | 一种远程协同诊断任务分配方法 |
CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
CN106372330A (zh) * | 2016-08-31 | 2017-02-01 | 北京化工大学 | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 |
-
2017
- 2017-03-09 CN CN201710138726.5A patent/CN106971027B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7124637B2 (en) * | 2004-03-22 | 2006-10-24 | Johnson Controls Technology Company | Determining amplitude limits for vibration spectra |
CN102819684A (zh) * | 2012-08-15 | 2012-12-12 | 西安建筑科技大学 | 一种远程协同诊断任务分配方法 |
CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
CN106372330A (zh) * | 2016-08-31 | 2017-02-01 | 北京化工大学 | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 |
Non-Patent Citations (4)
Title |
---|
Fault detection and diagnosis of chiller using Bayesian network classifier Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary;He Suowei 等;《Applied Thermal Engineering》;20160623;第37-42页 * |
Fault detection and diagnosis of chillers using Bayesian network merged distance rejection and multi-source non-sensor information;Zhanwei Wang 等;《Applied Energy》;20161210;第188卷;第200-214页 * |
Online fault detection methods for chillers combining extended kalman filter and recursive one-class SVM;Ke Yan 等;《Neurocomputing》;20161102;第228卷;第205-212页 * |
特征参数劣化对热泵机组能效的影响规律研究;王占伟 等;《建筑科学》;20141030;第30卷(第10期);第23-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106971027A (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
Wang et al. | Feature selection based on Bayesian network for chiller fault diagnosis from the perspective of field applications | |
CN108758969B (zh) | 一种冷水机组故障检测方法和系统 | |
CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
Wang et al. | Enhanced chiller fault detection using Bayesian network and principal component analysis | |
Wang et al. | A robust fault detection and diagnosis strategy for centrifugal chillers | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
WO2006026267A2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
Zhou et al. | A novel strategy for the fault detection and diagnosis of centrifugal chiller systems | |
CN105067252B (zh) | 一种基于改进的FastICA的冷水机组故障检测方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
Wen et al. | An enhanced principal component analysis method with Savitzky–Golay filter and clustering algorithm for sensor fault detection and diagnosis | |
CN116311594B (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
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 | |
CN117195007A (zh) | 一种换热器性能预测方法及系统 | |
JP2005345046A (ja) | 熱源機器の劣化診断システム | |
CN117029179A (zh) | 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 | |
CN113934191A (zh) | 一种冷水机组故障诊断系统 | |
JP2007026134A (ja) | 異常判定装置 | |
CN114838968B (zh) | 一种基于冷水水冷测试的空调故障检测方法及系统 | |
JP4434905B2 (ja) | プロセス管理装置 | |
WO2022165792A1 (en) | Method and system of sensor fault management | |
CN113919225A (zh) | 环境试验箱可靠性评估方法和系统 | |
CN113051530A (zh) | 一种基于kde-fa的冷水机组故障特征刻画方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20200623 |
|
CF01 | Termination of patent right due to non-payment of annual fee |