CN107844799B - 一种集成svm机制的冷水机组故障诊断方法 - Google Patents

一种集成svm机制的冷水机组故障诊断方法 Download PDF

Info

Publication number
CN107844799B
CN107844799B CN201710964724.1A CN201710964724A CN107844799B CN 107844799 B CN107844799 B CN 107844799B CN 201710964724 A CN201710964724 A CN 201710964724A CN 107844799 B CN107844799 B CN 107844799B
Authority
CN
China
Prior art keywords
fault
data
model
svm
training set
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
Application number
CN201710964724.1A
Other languages
English (en)
Other versions
CN107844799A (zh
Inventor
王智伟
陈奎良
顾笑伟
王占伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN201710964724.1A priority Critical patent/CN107844799B/zh
Publication of CN107844799A publication Critical patent/CN107844799A/zh
Application granted granted Critical
Publication of CN107844799B publication Critical patent/CN107844799B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种集成SVM机制的冷水机组故障诊断方法，通过现场冷水机组中获得机组无故障和故障运行历史数据，用于无故障和各类故障DW‑SVDD模型和全故障SVM模型训练；应用训练无故障DW‑SVDD模型在线故障检测，若满足条件，则现场冷水机组正常；否则用DW‑SVDD模型进行在线诊断，若实测数据仅满足其中一个故障模型的条件，则诊断为该类型故障；若实测数据满足其中两个以上故障模型条件，即诊断结果出现混淆，使用全故障SVM模型再次诊断，确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。该方法有效克服了目前故障诊断阶段存在的主要局限性，具有较高的诊断正确性和准确性。

Description

一种集成SVM机制的冷水机组故障诊断方法
技术领域
本发明属于空调系统中冷水机组故障诊断技术领域，具体涉及一种集成支持向量机(SVM)机制的冷水机组故障诊断方法。
背景技术
冷水机组是空调系统中的主要耗能设备，因此通过故障诊断方法，及时发现冷水机组运行过程中的性能劣化，及时进行运行维护与保养，从而保证冷水机组能够在较高能效水平下正常运行，既降低运行能耗，又节省运行及维保费用。
目前冷水机组故障检测与诊断的主流方法是基于历史数据的方法，包括人工神经网络、多元线性回归、模糊逻辑及支持向量数据描述等。这些故障检测与诊断方法主要存在的局限性有：
1)人工神经网络、多元线性回归、模糊逻辑等方法对样本需求量大，诊断正确率低等；
2)支持向量数据描述的方法用于故障检测时虚警率高，诊断结果易混淆，误诊率高等。
由于机房现场各类故障数据难以获得，传统的一类分类方法(如SVDD)对训练数据样本需求量少，但对故障的检测和诊断正确率较低，主要原因是由于未考虑数据密度分布造成的，因此本课题组在考虑密度分布的基础上，提出了基于密度权重支持向量数据描述(DW-SVDD)的一类分类方法，降低了检测阶段的虚警率，但诊断时出现诊断结果混淆，误诊率较高。因此基于DW-SVDD的一类分类方法，本发明通过在诊断阶段集成SVM多类分类方法，提出了DW-SVDD-SVM方法，可以有效解决诊断结果混淆问题，提高诊断正确率。
发明内容
为解决现有技术中存在的上述缺陷，本发明提出了一种集成SVM机制的冷水机组故障诊断方法，即DW-SVDD-SVM的故障检测与诊断方法，该方法具有对样本需求量少，检测正确率高，通过在诊断阶段集成SVM方法机制，可以有效克服DW-SVDD方法在诊断过程存在诊断结果混淆的问题。
为了有效提高故障检测和诊断性能，提出了一种集成SVM机制的冷水机组故障诊断方法，具体包括：(1)针对故障数据库样本量少的情况，本发明采用对训练数据样本量需求较少的密度权重支持向量数据描述(DW-SVDD)的方法进行故障检测与诊断；(2)针对DW-SVDD方法在诊断过程中出现的诊断结果混淆，误诊率高的问题，通过在诊断阶段集成SVM多类分类方法来解决。
实现本发明的目的的技术路径是：通过现场的冷水机组系统中安装的传感器获得机组无故障和各类故障运行下的数据，经过数据处理后用于DW-SVDD模型和全故障SVM模型训练；然后，应用建立好的无故障运行的DW-SVDD模型进行在线故障检测，若实测数据不满足该模型的条件，即现场冷水机组系统运行不正常，则进行在线故障诊断；最后用各故障DW-SVDD模型进行在线诊断，若实测数据仅满足其中一个故障模型的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型的条件，即诊断结果出现混淆，则使用全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。
本发明的具体技术方案如下：
一种集成SVM机制的冷水机组故障诊断方法，包括下述步骤：
步骤1：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；
步骤2：对机组无故障运行和每类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；
步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；现场冷水机组系统中传感器采集的机组无故障运行和各类故障运行的历史数据被包含在无故障和各类故障运行数据构建的以a'为中心R'为半径的DW-SVDD模型的超球体中和各类故障运行数据对应的全故障SVM模型的超平面中；
步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测；
步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心a'的距离D'与无故障DW-SVDD模型比较，满足D'≤R'小于等于时，则现场冷水机组系统运行正常，故障检测结束；如果不满足，则进入下一步；
步骤6：若实测数据仅满足其中一个故障模型与步骤5相同的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型与步骤5相同的条件，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。
进一步，所述步骤1中，现场冷水机组系统中的传感器包括温度、压力、流量或功率传感器，获得数据包括机组储存历史数据和实测数据。
进一步，所述稳态筛选包括：通过传感器采集到的冷水机组系统中历史数据中包括掺杂的瞬态数据，该瞬态数据对于检测机组当前的运行状态会产生干扰，采用计算几何加权平均值和几何加权方差的方法进行稳态筛选。
进一步，所述特征选择选择包括冷水机组系统中成本低和对故障的敏感特征，所述成本低是指由温度传感器和压力传感器获得的特征；所述对故障敏感特征是指故障能引起特征的显著变化。
进一步，所述标准化处理是为了消除数据特征变量量纲和变量自身变异大小和数值大小的影响，将采集到的历史数据压缩到[-3,3]之间。
进一步，所述步骤3中，无故障运行和各类故障运行数据对应的DW-SVDD模型如下：
Figure BDA0001436061090000041
式中，xi为训练集里面的样本数据，n为样本数据的个数，a'为超球体中心，R'为超球体半径，C为惩罚因子，ξi'为松弛变量，φ为训练集的训练样本点映射到高维特征空间的非线性映射，ρ(xi)为xi的密度权重。
进一步，所述步骤3中，各类故障运行数据对应的全故障SVM模型如下：
Figure BDA0001436061090000042
式中，xi为训练集里面的样本数据，yi∈{-1,1}为训练集样本点xi的类标，n为样本数据的个数，w为超平面的法向量，b是偏差，C为惩罚因子，ξi为松弛变量。
进一步，所述步骤3中，对DW-SVDD模型和全故障SVM模型中三个参数即k近邻中的k值，惩罚因子C和核参数g进行优化，步骤如下：
3a)对于给定训练集中的无故障和各类故障样本数据，首先给定k的一个取值区间，迭代计算出训练集各数据集点的密度权重，并分别训练DW-SVDD模型，从中选出无故障样本训练集自检测虚警率最低且低于10％时，所对应的k值为优化值；
3b)在训练DW-SVDD模型时，采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在90％～95％范围内，选择所对应的惩罚因子C和核参数g值并训练DW-SVDD模型，当训练的DW-SVDD模型对训练集的自检虚警率小于10％时，确定所对应的C，g值为最优值；
3c)在训练全故障SVM模型时，同样采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在95％～100％范围内，选择所对应的惩罚因子C和核参数g值为最优的C，g值，将最优的C，g值代入SVM模型中，利用各类故障数据进行全故障SVM模型训练。
本发明的有益效果是：
本发明提出了一种集成SVM机制的冷水机组故障诊断方法，针对传统SVDD方法和DW-SVDD方法在故障诊断阶段存在的问题，提出了DW-SVDD-SVM故障检测与诊断方法，即通过在诊断阶段集成SVM多类分类算法，利用其良好的分类性能，可以很好的解决不同类型故障DW-SVDD模型诊断时相互重叠导致诊断结果混淆，显著降低误诊率，提高诊断系统的准确性和可靠性。
附图说明
图1本发明进行故障检测与诊断的技术路线图；
图2基于DW-SVDD-SVM方法离线模型训练流程图；
图3基于DW-SVDD-SVM方法在线故障检测与诊断流程图；
图4正常运行DW-SVDD模型C，g参数优化图。
具体实施方式
下面结合附图和实施例对本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，对本发明提出一种集成SVM机制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：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；所述现场冷水机组系统中的传感器包括温度、压力、流量或功率传感器，获得数据包括机组储存历史数据和实测数据。
步骤2：对机组正常运行和每类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；
数据处理的方法包括下述过程：
2a)稳态筛选：
通过传感器采集到的冷水机组原始运行数据中掺杂着瞬态数据，对于检测机组当前的运行状态会产生干扰，这里采用计算几何加权平均值和几何加权方差的方法进行稳态筛选；
2b)特征选择：
主要考虑选择冷水机组系统中成本低和对故障的敏感等方面的特征，所述成本低是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；
2c)数据标准化：
为了消除数据特征变量量纲和变量自身变异大小和数值大小的影响，需将采集到的历史数据进行标准化处理，即压缩到[-3,3]之间，本发明使用的是数理统计中求解均值、均方差和标准化的方法，公式如下：
Figure BDA0001436061090000071
式中，xi,j为样本数据中的参数，Mj为样本数据第j列特征参数的均值，σj为样本数据第j列特征参数的均方差，n为样本数据的个数，
Figure BDA0001436061090000072
为标准化处理后样本数据中的参数。
步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；模型训练流程图见附图2，附图2中，故障1，故障2，…，故障n表示n种故障样本数据，正常运行表示无故障运行样本数据，a'表示无故障运行DW-SVDD模型超球体的中心，R'表示正常运行DW-SVDD模型超球体的半径。
无故障运行和各类故障运行数据对应的DW-SVDD模型如下：
Figure BDA0001436061090000081
式中，xi为训练集里面的样本数据，n为训练集各类样本点的个数，a'为超球体中心，R'为超球体半径，C为惩罚因子，ξi'为松弛变量，φ为训练集的训练样本点映射到高维特征空间的非线性映射，ρ(xi)为xi的密度权重，计算式如下：
Figure BDA0001436061090000082
式中，k为距离每个训练集样本点最近的第k个点，
Figure BDA0001436061090000083
为xi的第k个最近邻点，
Figure BDA0001436061090000084
为xi与
Figure BDA0001436061090000085
之间的欧式距离，train set表示训练集；
通过引入拉格朗日乘子求解对式(2)目标函数进行优化，同时采用核函数计算内积，得到其对偶形式如下：
Figure BDA0001436061090000086
式中，K(xi,xj)为核函数，αi为拉格朗日乘子，αj为αi的倒数，高斯核函数K(xi,xj)＝exp(-||xi-xj||2/g2)，其中g为核参数；
当0＜αi＜C，所对应的训练集的训练样本xk处在超球面上，为无界支持向量。将任意无界支持向量代入式(5)求得超球体半径R'；对于一组实测数据z，其到超球体中心a'的距离D'见式(6)：
Figure BDA0001436061090000091
Figure BDA0001436061090000092
各类故障运行数据对应的全故障SVM模型如下：
Figure BDA0001436061090000094
式中，xi为训练集里面的样本数据，yi∈{-1,1}为训练集样本点xi的类标，n为训练集样本点的个数，w为超平面的法向量，b是偏差，C为惩罚因子，ξi为松弛变量；
通过引入拉格朗日乘子求解对式(7)目标函数进行优化，同时采用核函数计算内积，得到其对偶形式如下：
Figure BDA0001436061090000093
式中，K(xi,xj)＝exp(-||xi-xj||2/g2)为核函数，其中g为核参数，αi为待求解的拉格朗日乘子，αj为αi的倒数，xj为训练集里面的样本数据，yj∈{-1,1}为训练集样本点xj的类标；
由此可以得到定义最佳分类超平面的判别函数式如下：
Figure BDA0001436061090000101
其中，sgn(u)为符号函数，u>0时，sgn(u)＝1；u≤0时，sgn(u)＝-1，x为待分类的样本数据；
对DW-SVDD模型和全故障SVM模型中三个参数进行优化，即k近邻中的k值，惩罚因子C和核参数g，如附图2所示，具体步骤如下：
3a)对于不同样本类型训练集中的训练样本，首先给定k的一个取值区间，迭代计算出训练集各数据集点的密度权重，并分别训练DW-SVDD模型，从中选出无故障样本训练集自检测虚警率最低且低于10％时，所对应的k值为优化值；
3b)在训练DW-SVDD模型时，采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在90％～95％范围内，选择所对应的惩罚因子C和核参数g值并训练DW-SVDD模型，当训练的DW-SVDD模型对训练集的自检虚警率小于10％时，确定所对应的(C，g)值为最优值；
3c)在训练全故障SVM模型时，同样采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在95％～100％范围内，选择所对应的惩罚因子C和核参数g值为最优的(C，g)值，将最优的C，g值代入SVM模型中，利用各类故障数据进行全故障SVM模型训练。
步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测，在线故障检测与诊断过程流程图见附图3。
步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心的距离小于等于无故障DW-SVDD模型的超球体半径时，则现场冷水机组系统运行正常；如果不满足，则进入下一步；
在检测阶段，基于训练好的无故障DW-SVDD模型，计算实测数据到超球体中心a'的距离D'并同超球体半径R'进行比较，如果D'≤R'，实测数据在超球体内，判定为现场冷水机组系统运行正常，故障检测结束；反之，现场冷水机组系统运行不正常，存在故障。
步骤6：对实测数据中各类故障运行数据使用步骤3构建的各类故障数据对应的DW-SVDD模型进行诊断，若实测数据仅满足其中一个故障模型与步骤5相同的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型与步骤5相同的条件，即诊断结果出现混淆，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。
下面通过具体实施例进一步阐述本发明提出的一种集成SVM机制的冷水机组故障诊断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，该实验采用一台90冷吨离心式水冷冷水机组，蒸发器、冷凝器均为壳管式换热器，管程为水，制冷剂为R134a。通过特殊设计的试验台模拟了7类典型故障，分别是冷却水量减少(RedCW)，冷冻水量减少(RedEW)，制冷剂充注泄露(RefLeak)，制冷剂充注过量(RefOver)，冷凝器结垢(CdFoul)，存在非凝性气体(Ncg)和存在过量的油(ExOil)。获得了27种工况下的64个参数的数据，每类故障由低到高分4个劣化等级，数据采集间隔为10s。
步骤1：数据的获取。
本实例所用数据来源于ASHRAE RP-1043故障实验数据，在RP-1043故障模拟实验中，共获得7种典型故障在4个劣化等级下的64个参数的测试数据，和无故障运行数据。
步骤2：对机组正常运行和每类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理。
2a)稳态筛选：
通过传感器及测量软件采集到的冷水机组原始运行数据中掺杂着瞬态数据，对于检测机组当前的运行状态会产生干扰，这里采用计算几何加权平均值和几何加权方差的方法进行稳态筛选。
冷冻水进水温度TEI、冷冻水出水温度TEO和冷却水进水温度TCI三者对定水量冷水机组的性能具有决定性的作用，因此可以选择它们作为判断机组是否处于稳态的特征参数。当三者的几何加权均方差均低于事先设定的限值时，认为机组处于稳态运行，本实例中，实验数据测量的时间步长为10s，设定几何加权方差阈值为0.04，有效时间窗口宽度取80s。
2b)特征选择：
主要考虑选择冷水机组系统中成本低和对故障的敏感等方面的特征，表1表示冷水机组故障检测与诊断特征选择结果，大部分都是温度传感器获得的特征，成本相对较低而且对故障表现敏感；
表1冷水机组故障检测与诊断特征选择
Figure BDA0001436061090000121
Figure BDA0001436061090000131
2c)数据标准化：
经过稳态筛选和特征选择后的机组运行数据还需进行标准化处理，以消除数据特征变量量纲的影响和变量自身变异大小和数值大小的影响，提高检测正确率，本实例中使用数理统计中求解均值、均方差和标准化的方法。
步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；本实例中，无故障和各类故障运行的数据包含200个训练样本，分别用于DW-SVDD模型训练，各形成一个以a'为中心，R'为半径的超球体；各类故障运行数据用于SVM模型训练，各类故障数据包含在训练好的SVM模型的超平面中。
DW-SVDD-SVM离线模型训练见附图2，结合附图2，对k、C和g值进行优化，具体的步骤如下：
3a)对于给定训练集中的各类无故障和故障样本数据，本实施例令k分别等于1到20，迭代计算出训练集各数据点的密度权重ρ(xi)，并分别训练DW-SVDD模型，从中选出正常样本训练集自检测虚警率最低且低于10％时所对应的k值为优化值，本例中所确定的k值为9；
3b)在训练DW-SVDD模型时，对C,g进行优化，以无故障运行DW-SVDD模型为例，网格搜索范围初步定为C[2-4,24]和g[2-4,24]，使用五折交叉验证进行网格搜索的结果见附图4，从附图4中可以看出，五折交叉验证正确率大于90％的区域并不是很大，且当C>20时，交叉验证正确率基本稳定不变，而随着g的增加，交叉验证正确率提升很明显。本实例中，训练集的交叉验证正确率控制在90％～95％范围内，进一步缩小寻优范围，在C[2-1.5,2-0.5]和g[21.5,21.75]范围内寻优，找出训练集交叉验证正确率最高时(C，g)的值，并训练DW-SVDD模型；
3c)在进行SVM模型训练时，同样采用网格搜索和五折交叉验证的方法对(C、g)值进行优化，网格搜索范围初步定为C[2-4,24]和g[2-4,24]，本实例中，将训练集样本数据的交叉验证正确率控制在95％～100％范围内的惩罚因子C和核参数g值为最优的(C，g)值，将最优的C，g值代入SVM模型中，进行全故障SVM模型训练。
步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测；
步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心的距离小于等于无故障DW-SVDD模型的超球体半径时，则现场冷水机组系统运行正常；如果不满足，则进入下一步；
在检测阶段，基于训练好的无故障DW-SVDD模型，计算实测数据到超球体中心a'的距离D'并同超球体半径R'进行比较，如果D'≤R'，实测数据在超球体内，判定为现场冷水机组系统运行正常，故障检测结束；反之，现场冷水机组系统运行不正常，存在故障。
步骤6：对实测数据中各类故障运行数据使用步骤3构建的各类故障数据对应的DW-SVDD模型进行诊断，若实测数据仅满足其中一个故障模型与步骤5相同的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型与步骤5相同的条件，即诊断结果出现混淆，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。
表2为基于DW-SVDD方法的冷水机组故障诊断结果，表3为基于DW-SVDD-SVM方法的冷水机组故障诊断结果，其中，行表示真实的故障类型，列表示诊断出的故障类型，Undefined表示诊断为未定义的新故障；基于DW-SVDD的FDD方法，实测数据被正确诊断为其真实故障类型的同时，也有可能被误诊为其他类型故障，使诊断结果混淆。由表2可知，以故障RefOver为例，分别有5.0％、4.8％、2.3％、48.3％、15.3％的实测数据被误诊为CdFoul、RefLeak、Ncg、RedCW、ExOil；集成SVM机制后，表3可知，其中故障RefOver被误诊为故障RedCW的误诊率下降最多，减少了48.5％；故障RedEW被误诊为RedCW的误诊率减少了34.3％；故障RefLeak被误诊为RedCW的误诊率减少了25.3％。由以上分析可知，相比于DW-SVDD方法，基于DW-SVDD-SVM方法与其保持了几乎同样高的故障诊断正确率，同时有效解决了诊断结果混淆，使误诊率显著降低，提高诊断系统的精确性和可靠性。
表2基于DW-SVDD的冷水机组故障诊断结果
Figure BDA0001436061090000161
表3基于DW-SVDD-SVM的冷水机组故障诊断结果
Figure BDA0001436061090000162
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，对本发明的技术方案做一些修改或同等替换，这些修改或替换均在本发明的保护范围内。

Claims (9)

1.一种集成SVM机制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：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；
步骤2：对机组无故障运行和各类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；
步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；现场冷水机组系统中传感器采集的机组无故障运行和各类故障运行的历史数据被包含在无故障和各类故障运行数据构建的以a'为中心R'为半径的DW-SVDD模型的超球体中和各类故障运行数据对应的全故障SVM模型的超平面中；
步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测；
步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心a'的距离D'与无故障DW-SVDD模型比较，满足D'≤R'小于等于时，则现场冷水机组系统运行正常，故障检测结束；如果不满足，则进入下一步；
步骤6：若实测数据仅满足其中一个故障模型D'≤R'的条件，则诊断为该故障类型；若实测数据满足其中两个或多个故障模型D'≤R'的条件，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障；
所述步骤3中，对DW-SVDD模型和全故障SVM模型中三个参数即k近邻中的k值，惩罚因子C和核参数g进行优化，步骤如下：
3a)对于给定训练集中的无故障和各类故障样本数据，首先给定k的一个取值区间，迭代计算出训练集各数据集点的密度权重，并分别训练DW-SVDD模型，从中选出无故障样本训练集自检测虚警率最低且低于10％时，所对应的k值为最优值；
3b)在训练DW-SVDD模型时，采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在90％～95％范围内，选择所对应的惩罚因子C和核参数g值并训练DW-SVDD模型，当训练的DW-SVDD模型对训练集的自检虚警率小于10％时，确定所对应的C，g值为最优值；
3c)在训练全故障SVM模型时，同样采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在95％～100％范围内，选择所对应的惩罚因子C和核参数g值为最优的C，g值，将最优的C，g值代入SVM模型中，利用各类故障数据进行全故障SVM模型训练。
2.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述现场冷水机组系统中的传感器包括温度、压力、流量或功率传感器，获得数据包括机组储存历史数据和实测数据。
3.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述稳态筛选包括：通过传感器采集到的冷水机组系统中历史数据中包括掺杂的瞬态数据，该瞬态数据对于检测机组当前的运行状态会产生干扰，采用计算几何加权平均值和几何加权方差的方法进行稳态筛选。
4.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述特征选择包括冷水机组系统中成本低和对故障的敏感特征，所述成本低是指由温度传感器和压力传感器获得的特征；所述对故障敏感特征是指故障能引起特征的显著变化。
5.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述标准化处理是为了消除数据特征变量量纲和变量自身变异大小和数值大小的影响，将采集到的历史数据压缩到[-3,3]之间，采用数理统计中求解均值、均方差和标准化的方法，公式如下：
Figure FDA0003004482950000031
式中，xi,j为样本数据中的参数，Mj为样本数据第j列特征参数的均值，σj为样本数据第j列特征参数的均方差，n为样本数据的个数，
Figure FDA0003004482950000032
为标准化处理后样本数据中的参数。
6.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述步骤3中，无故障运行和各类故障运行数据对应的DW-SVDD模型如下：
Figure FDA0003004482950000033
式中，xi为训练集里面的样本数据，n为样本数据的个数，a'为超球体中心，R'为超球体半径，C为惩罚因子，ξ′i为松弛变量，φ为训练集的训练样本点映射到高维特征空间的非线性映射，ρ(xi)为xi的密度权重，计算式如下：
Figure FDA0003004482950000041
式中，k为距离每个训练集样本点最近的第k个点，
Figure FDA0003004482950000042
为xi的第k个最近邻点，
Figure FDA0003004482950000043
为xi与
Figure FDA0003004482950000044
之间的欧式距离，train set表示训练集。
7.根据权利要求6所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，通过引入拉格朗日乘子求解对DW-SVDD模型进行优化，同时采用核函数计算内积，得到其对偶形式如下：
Figure FDA0003004482950000045
式中，K(xi,xj)为核函数，αi为拉格朗日乘子，αj为αi的倒数，高斯核函数K(xi,xj)＝exp(-||xi-xj||2/g2)，其中g为核参数；
当0＜αi＜C，所对应的训练集的训练样本xk处在超球面上，为无界支持向量；将任意无界支持向量代入式(5)求得超球体半径R'；对于一组实测数据z，其到超球体中心a'的距离D'见式(6)：
Figure FDA0003004482950000046
Figure FDA0003004482950000047
8.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述步骤3中，各类故障运行数据对应的全故障SVM模型如下：
Figure FDA0003004482950000051
式中，xi为训练集里面的样本数据，yi∈{-1,1}为训练集样本点xi的类标，n为训练集样本点的个数，w为超平面的法向量，b是偏差，C为惩罚因子，ξi为松弛变量。
9.根据权利要求8所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，通过引入拉格朗日乘子求解对式(7)目标函数进行优化，同时采用核函数计算内积，得到其对偶形式如下：
Figure FDA0003004482950000052
式中，K(xi,xj)＝exp(-||xi-xj||2/g2)为核函数，其中g为核参数，αi为待求解的拉格朗日乘子，αj为αi的倒数，xj为训练集里面的样本数据，yj∈{-1,1}为训练集样本点xj的类标；
得到定义最佳分类超平面的判别函数式如下：
Figure FDA0003004482950000053
其中，sgn(u)为符号函数，u>0时，sgn(u)＝1；u≤0时，sgn(u)＝-1，x为待分类的样本数据。
CN201710964724.1A 2017-10-17 2017-10-17 一种集成svm机制的冷水机组故障诊断方法 Expired - Fee Related CN107844799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710964724.1A CN107844799B (zh) 2017-10-17 2017-10-17 一种集成svm机制的冷水机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710964724.1A CN107844799B (zh) 2017-10-17 2017-10-17 一种集成svm机制的冷水机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN107844799A CN107844799A (zh) 2018-03-27
CN107844799B true CN107844799B (zh) 2021-06-08

Family

ID=61662231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710964724.1A Expired - Fee Related CN107844799B (zh) 2017-10-17 2017-10-17 一种集成svm机制的冷水机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN107844799B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111503810B (zh) * 2019-01-30 2021-07-30 青岛海信网络科技股份有限公司 基于制冷机组性能报警曲面的报警方法、装置及终端
CN110107992A (zh) * 2019-05-05 2019-08-09 珠海格力电器股份有限公司 基于设备的关联数据的运行参数控制方法
CN110702438B (zh) * 2019-09-23 2020-09-18 天津大学 一种离心式冷水机组与新风系统联合故障诊断方法
CN110779745B (zh) * 2019-10-12 2021-07-06 杭州安脉盛智能技术有限公司 一种基于bp神经网络的换热器早期故障诊断方法
CN111047732B (zh) * 2019-12-16 2022-04-12 青岛海信网络科技股份有限公司 一种基于能耗模型和数据交互的设备异常诊断方法及装置
CN111753889B (zh) * 2020-06-11 2022-04-12 浙江浙能技术研究院有限公司 一种基于cnn-svdd的引风机故障识别方法
CN113934191A (zh) * 2020-06-29 2022-01-14 青岛海信日立空调系统有限公司 一种冷水机组故障诊断系统
CN111947927B (zh) * 2020-07-16 2021-09-07 南京航空航天大学 一种基于色度理论的滚动轴承故障检测方法
CN112085121A (zh) * 2020-09-18 2020-12-15 郑州大学 一种基于lle-svdd的非线性轮廓数据监控方法
CN113051530B (zh) * 2021-04-02 2024-08-23 杭州能控科技有限公司 一种基于kde-fa的冷水机组故障特征刻画方法
CN113281074B (zh) * 2021-05-17 2023-01-13 青岛海信日立空调系统有限公司 冷水机组冷凝器和蒸发器性能劣化诊断方法
CN115934451A (zh) * 2021-05-31 2023-04-07 中兴通讯股份有限公司 一种故障处理方法、装置、服务器及存储介质
CN116718249A (zh) * 2023-08-08 2023-09-08 山东元明晴技术有限公司 一种水利工程液位检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5159368B2 (ja) * 2008-02-29 2013-03-06 インターナショナル・ビジネス・マシーンズ・コーポレーション 変化分析システム、方法及びプログラム
CN104573740B (zh) * 2014-12-22 2018-07-03 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN106971027B (zh) * 2017-03-09 2020-06-23 西安建筑科技大学 一种基于dr-bn模型的冷水机组故障特征选择方法

Also Published As

Publication number Publication date
CN107844799A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
CN107844799B (zh) 一种集成svm机制的冷水机组故障诊断方法
Li et al. An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm
Rogers et al. A review of fault detection and diagnosis methods for residential air conditioning systems
Wang et al. Enhanced chiller fault detection using Bayesian network and principal component analysis
Zhao et al. Pattern recognition-based chillers fault detection method using Support Vector Data Description (SVDD)
Namburu et al. Data-driven modeling, fault diagnosis and optimal sensor selection for HVAC chillers
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
US7444251B2 (en) Detecting and diagnosing faults in HVAC equipment
Zhou et al. A comparison study of basic data-driven fault diagnosis methods for variable refrigerant flow system
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
CN109213127A (zh) 一种基于深度学习的hvac系统渐变故障诊断方法
CN108758969B (zh) 一种冷水机组故障检测方法和系统
Zhu et al. Fault diagnosis based operation risk evaluation for air conditioning systems in data centers
Gao et al. Enhanced chiller faults detection and isolation method based on independent component analysis and k-nearest neighbors classifier
Liu et al. A refrigerant charge fault detection method for variable refrigerant flow (VRF) air-conditioning systems
Zhou et al. Data-driven fault diagnosis for residential variable refrigerant flow system on imbalanced data environments
Sun et al. Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system
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
Xia et al. Fault detection for centrifugal chillers using a Kernel Entropy Component Analysis (KECA) method
CN106971027B (zh) 一种基于dr-bn模型的冷水机组故障特征选择方法
CN112632845B (zh) 基于数据的小型反应堆在线故障诊断方法、介质及设备
Liu et al. Abnormal energy identification of variable refrigerant flow air-conditioning systems based on data mining techniques
Yang et al. HVAC equipment, unitary: Fault detection and diagnosis
Xia et al. An enhanced fault detection method for centrifugal chillers using kernel density estimation based kernel entropy component analysis

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210608