CN108758969A - 一种冷水机组故障检测方法和系统 - Google Patents
一种冷水机组故障检测方法和系统 Download PDFInfo
- Publication number
- CN108758969A CN108758969A CN201810615803.6A CN201810615803A CN108758969A CN 108758969 A CN108758969 A CN 108758969A CN 201810615803 A CN201810615803 A CN 201810615803A CN 108758969 A CN108758969 A CN 108758969A
- Authority
- CN
- China
- Prior art keywords
- matrix
- water chilling
- chilling units
- handpiece water
- standard exercise
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 104
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 123
- 230000003862 health status Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 21
- 230000007257 malfunction Effects 0.000 claims description 19
- 238000011068 loading method Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000000540 analysis of variance Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 11
- 238000006731 degradation reaction Methods 0.000 abstract description 11
- 238000000034 method Methods 0.000 description 22
- 238000012360 testing method Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 239000003507 refrigerant Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- LVGUZGTVOIAKKC-UHFFFAOYSA-N 1,1,1,2-tetrafluoroethane Chemical compound FCC(F)(F)F LVGUZGTVOIAKKC-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种冷水机组故障检测方法和系统,检测方法为:获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集并得到标准训练集矩阵;对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;根据标准训练集矩阵在R子空间的得分矩阵构建BN模型;获取冷水机组运行时的实时数据,并得到实时数据在R子空间的得分矩阵;将实时数据在R子空间的得分矩阵输入建好的BN模型,根据BN模型输出结果判断冷水机组是否出现故障。本发明所提供的技术方案,能够提高对轻微劣化等级故障的检测正确率,解决目前单纯采用BN模型对冷水机组进行故障检测时存在的检测正确率低的问题。
Description
技术领域
本发明属于冷水机组故障检测技术领域,具体涉及一种冷水机组故障检测方法和系统。
背景技术
冷水机组是空调系统中的主要耗能设备,当冷水机组发生故障时,将会导致空调系统运行能效下降,减少设备使用寿命,并降低室内环境舒适度。将故障检测技术应用于冷水机组,及时发现并排除故障,对空调系统可靠运行及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方法进行了广泛研究,提出了一些在理论上可行的故障检测方法。通常,这些方法可被分成两类:(1)基于模型的方法;(2)基于数据的方法。
由于冷水机组属于多输入多输出的复杂系统,而构建复杂系统的精确物理模型费时费力,因此,基于数据的方法受到研究学者更广泛的关注。其中,相比其它方法,基于贝叶斯网络(即BN)的方法有着更大的优势。基于概率推理的BN模型是图论和概率论相结合的产物,自被提出,就被认为是不确定知识表达和推理领域最有效的理论模型之一,已被广泛地应用到故障检测与诊断中。
基于BN模型的故障检测方法有如下的优点:
1)BN模型分析方法是一种非线性分析方法,适用于测量参数非线性的冷水机组;
2)能够以更合理的概率形式呈现结果,避免了检测结果混淆时的布尔型检测结果带给决策者的困扰;
3)实际的故障检测是一个不确定性过程,BN模型是基于概率推理的模型,因此能够处理这种不确定性。
然而,单纯基于BN模型的故障检测方法对故障的检测正确率较低,尤其对轻微劣化等级的故障。这是目前基于BN模型的冷水机组故障检测方法存在的主要局限性。能够检测劣化等级的程度是表征故障检测方法性能的重要指标之一。
发明内容
本发明的目的在于提供一种冷水机组故障检测方法和系统,用于解决现有技术中采用BN模型对冷水机组进行故障检测时正确率较低的问题。
为实现上述目的,本发明提供的技术方案是:
一种冷水机组故障检测方法,包括如下步骤:
(1)获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集,并通过标准训练集得到标准训练集矩阵;
(2)对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;
(3)构建BN模型;所述BN模型包括状态层和征兆层,其中状态层包括一个节点,该节点设有正常状态和故障状态;所述征兆层包括一个连续型节点,该节点的数据服从高斯分布,其均值向量和协方差矩阵在状态层节点为正常状态时,根据标准训练集矩阵在R子空间的得分矩阵得到;
(4)获取冷水机组运行时的实时数据,经过特征选择后,对实时数据进行零均值化,得到实时数据在R子空间的得分矩阵;
(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型,根据BN模型状态层中正常状态和故障状态的后验概率,判断冷水机组是否出现故障。
本发明所提供的技术方案,通过利用PCA数据降维和有效特征提取的优势,提高基于BN模型的故障检测方法的检测性能,尤其提高对轻微劣化等级故障的检测正确率,从而有效克服目前单纯采用BN模型对冷水机组进行故障检测时存在的检测正确率低的问题。
为了消除冷水机组运行时实时数据中的噪声干扰,作为对训练集的进一步改进,所述步骤(1)中获取冷水机组正常工作时的数据后,首先进行稳态滤波,然后再构建标准训练集。
作为对训练集的进一步改进,得到标准训练集后,经过零均值化处理得到所述标准训练集矩阵。
作为对PCA数据分解的进一步改进,所述基于PCA的数据分解包括:计算标准训练集矩阵的特征值及对应的特征向量;
使用累积方差贡献率确定PC的数量;
根据PC的数量,将各特征向量组成的矩阵进行空间分解,得到标准训练集矩阵在R子空间中的载荷矩阵;
根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。
作为对确定PC数量方法的进一步改进,所述使用累积方差贡献率确定PC的数量,是指将标准训练集矩阵的特征值从大到小排列,如果前n个特征值的贡献率之和大于设定贡献率,且前n-1个特征值的贡献率之和小于设定贡献率,则PC的数量为n。
一种冷水机组故障检测系统,包括存储器和处理器,所述存储器上存储有用于在处理器上执行的计算机程序;所述处理器执行计算机程序时,实现如下步骤:
(1)获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集,并通过标准训练集得到标准训练集矩阵;
(2)对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;
(3)构建BN模型;所述BN模型包括状态层和征兆层,其中状态层包括一个节点,该节点设有正常状态和故障状态;所述征兆层包括一个连续型节点,该节点的数据服从高斯分布,其均值向量和协方差矩阵在状态层节点为正常状态时,根据标准训练集矩阵在R子空间的得分矩阵得到;
(4)获取冷水机组运行时的实时数据,经过特征选择后,对实时数据进行零均值化,得到实时数据在R子空间的得分矩阵;
(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型,根据BN模型状态层中正常状态和故障状态的后验概率,判断冷水机组是否出现故障。
为了消除冷水机组运行时实时数据中的噪声干扰,作为对训练集的进一步改进,所述步骤(1)中获取冷水机组正常工作时的数据后,首先进行稳态滤波,然后再构建标准训练集。
作为对训练集的进一步改进,得到标准训练集后,经过零均值化处理得到所述标准训练集矩阵。
作为对PCA数据分解的进一步改进,所述基于PCA的数据分解包括:计算标准训练集矩阵的特征值及对应的特征向量;
使用累积方差贡献率确定PC的数量;
根据PC的数量,将各特征向量组成的矩阵进行空间分解,得到标准训练集矩阵在R子空间中的载荷矩阵;
根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。
作为对确定PC数量方法的进一步改进,所述使用累积方差贡献率确定PC的数量,是指将标准训练集矩阵的特征值从大到小排列,如果前n个特征值的贡献率之和大于设定贡献率,且前n-1个特征值的贡献率之和小于设定贡献率,则PC的数量为n。
附图说明
图1为方法实施例中冷水机组故障检测方法的流程图;
图2为方法实施例中BN模型的示意图;
图3为方法实施例中冷水机组故障检测方法的效果图。
具体实施方式
本发明的目的在于提供一种冷水机组故障检测方法和系统,用于解决现有技术中采用BN模型对冷水机组进行故障检测时正确率较低的问题。
为实现上述目的,本发明提供的技术方案是:
一种冷水机组故障检测方法,包括如下步骤:
(1)获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集,并通过标准训练集得到标准训练集矩阵;
(2)对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;
(3)构建BN模型;所述BN模型包括状态层和征兆层,其中状态层包括一个节点,该节点设有正常状态和故障状态;所述征兆层包括一个连续型节点,该节点的数据服从高斯分布,其均值向量和协方差矩阵在状态层节点为正常状态时,根据标准训练集矩阵在R子空间的得分矩阵得到;
(4)获取冷水机组运行时的实时数据,经过特征选择后,对实时数据进行零均值化,得到实时数据在R子空间的得分矩阵;
(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型,根据BN模型状态层中正常状态和故障状态的后验概率,判断冷水机组是否出现故障。
下面结合具体实施方式对本发明的技术方案作进一步说明。
方法实施例:
本实施例提供一种冷水机组故障检测方法,通过利用PCA数据降维和有效特征提取的优势,提高基于BN模型的故障检测方法的检测性能,有效克服目前单纯基于BN模型的故障检测方法对故障(尤其对轻微劣化等级故障)的检测正确率较低的主要局限性。
本实施例提供一种冷水机组故障检测方法,其具体流程如图1所示,包括如下步骤:
(1)对数据进行预处理:
通过标定试验,或者现场存储的数据库中获取冷水机组正常工作时的数据;
采用稳态滤波方法对冷水机组正常工作时的数据进行稳态过滤,得到稳态的样本数据;
选择用于表征冷水机组健康状态的特征,并采用这些特征对稳态的样本数据进行训练,构建训练集;为了减少检测的成本,选择所用传感器成本较低的特征,并且这些特征能够较好的体现出冷水机组是否存在故障;
对构建出的训练集进行零均值化处理,经过零均值化处理后训练集构成标准训练集矩阵X;
(2)对标准训练集矩阵X进行基于PCA的数据分解:
PCA即为主元分析法,方法如下:
计算标准训练集矩阵X的特征值λ及对应的特征向量M;
根据累积方差贡献率CPV确定PC的个数k,方法为:以CPVk>85%为原则确定PC的数量k,即对于冷水机组,按照特征值从大到小进行排序,取前k个最大的特征值,当前k个特征值对应的贡献率之和CPVk>85%,且前k-1个特征值对应的贡献率之和CPVk-1<85%时,PC的数量为k;计算公式为
式中λi为第i个特征的值,且λ1>λ2>…>λk>…>λm,m表示特征的总数量;
根据PC的数量对各特征向量组成的矩阵进行空间分解,得到PC子空间中的载荷矩阵和R子空间中的载荷矩阵
其中M1,M2,…,Mk分别表示特征值λ1,λ2,…,λk对应的特征向量,且λ1>λ2>…>λk;Mk+1,Mk+2,…,Mm分别表示特征值λk+1,λk+2,…,λm对应的特征向量,且λk+1>λk+2>…>λm;k表示PC的数量,m表示特征值的总数量。
根据PC子空间中的载荷矩阵和R子空间中的载荷矩阵求解标准训练集矩阵X在PC子空间的得分矩阵和在R子空间的得分矩阵
(3)构建BN模型:
BN模型如图2所示,包括两层,其中第一层为状态层,第二层为征兆层;状态层中设有节点D,如表1所示,节点D包括Normal状态和Fault状态,即正常状态和故障状态,正常状态和故障状态的先验概率根据专家经验确定。
征兆层中为节点X,节点X是节点D的子节点,其数据服从高斯分布,其中描述该高斯分布的两个参数分别为均值向量μ和协方差矩阵∑,并给定节点D为故障状态时表示距离拒绝程度的系数c;X∈Rm,由m个表征故障的特征组成,即m表示征兆层中节点X的维数;设置冷水机组正常状态和故障状态的概率分别为相应的设定先验概率,均值向量μ和协方差矩阵∑在状态层节点为正常状态时根据标准训练集矩阵在R子空间的得分矩阵通过极大似然估计得到;系数c>1,根据下面两个公式确定:
式中:CL表示T2统计量的控制限,n表示样本数量,Fα(m,n-m)表示自由度为m和n-m的F分布的α分位点;α与距离拒绝的程度相关,α值越大,距离拒绝的程度越大;确定α值时,需要多次尝试,以找到检测正确率最大时的α值,得到最终的BN模型,如表2所示。
表1
表2
D | X |
Normal | X~N(μ,∑) |
Fault | X~N(μ,c×∑) |
(4)利用BN模型对冷水机组进行故障分析:
在冷水机组实际运行时,对其检测冷水机组的运行状态进行检测,得到冷水机组的实时数据;
采用稳态过滤方法对冷水机组的实时数据进行过滤,得到冷水机组的实时稳态数据;
对实时稳态数据进行特征选择和零均值化,得到实时数据矩阵;
对实时数据矩阵进行基于PCA的数据分解,得到实时数据矩阵在R子空间的得分矩阵t~;
将得分矩阵t~带入BN模型,得到正常状态的后验概率和故障状态的后验概率;如果正常状态的后验概率大于故障状态的后验概率,则判断为冷水机组正常工作,否则判断为冷水机组出现故障。
下面通过具体实施例进一步阐述本发明提出的基于PCA-R-BN模型的冷水机组故障检测方法的具体实施和验证本实施例的有益效果;
本实施例是对ASHRAE RP-1043报告中所使用的冷水机组进行故障检测,该冷水机组为一台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,冷冻水量减少,制冷剂充注不足,制冷剂充注过量,冷凝器结垢,存在非凝性气体和存在过量的油。获得了正常工况和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,4个劣化等级从小到大依次为SL-1,SL-2,SL-3,SL-4。
数据预处理:
1a)通过对冷水机组进行标定试验,获得冷水机组正常运行时的数据;
1b)稳态过滤:采用稳态过滤方法,对冷水机组正常运行时的数据进行稳态过滤,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;本实施例选择9个由低成本的温度传感器获得并对故障敏感的特征,这9个特征具体见表3;
表3
编号 | 特征 | 描述 | 编号 | 特征 | 描述 |
1 | TEI | 冷冻水入水温度 | 6 | TCA | TRC-TCO |
2 | TEO | 冷冻水出水温度 | 7 | TRC_sub | 制冷剂的过冷度 |
3 | TCI | 冷却水入水温度 | 8 | TR_dis | 吸气过热度 |
4 | TCO | 冷却水出水温度 | 9 | TO_sump | 油箱内油温 |
5 | TEA | TEO-TRE |
其中TRE表示蒸发温度,TRC表示冷凝温度;
1d)构建训练集,随机选择1000组,经过特征选择后的属于正常样本的稳态数据构成训练集;
1e)零均值化训练集:对步骤1d)中构建的训练集数据进行零均值化处理,将零均值化后的训练集构建标准训练集矩阵X;
基于PCA的数据分解:
2a)计算标准训练集矩阵X的特征值λ及对应的特征向量M,如表4所示;
2b)使用累积方差贡献率CPV确定PC的个数k;对于冷水机组,取前k个最大贡献率CPVk>85%的特征,即以CPVk>85%为原则确定PC的个数k;
从表4中可知,从第3大的特征值开始CPV值大于85%;确定当PC个数k=3时,即R个数为6;
表4
2c)根据PC个数,将各特征向量组成的矩阵进行空间分解,分解成PC子空间中的载荷矩阵和R子空间中的载荷矩阵具体分解结果如下:
2d)根据PC子空间中的载荷矩阵和R子空间中的载荷矩阵求解的训练集矩阵X在PC子空间的得分矩阵和在R子空间的得分矩阵
构建BN模型:
本实施例确定的BN模型,通过专家经验,给定节点D的两个状态的先验概率见表5;通过对训练集矩阵X在R子空间的得分矩阵进行极大似然估计得到节点X的均值向量μ和协方差矩阵∑;通过多次试算,本实施例选择显著性水平α=0.025,根据公式
计算得到c=3.9,至此,BN模型就构建完成,如表6所示。
表5
表6
D | X |
Normal | X~N(μ,∑) |
Fault | X~N(μ,3.9×∑) |
采用BN模型对冷水机组进行故障分析:
4a)当冷水机组运行时,在线监测冷水机组运行的实时数据;
4b)稳态过滤:使用与上述步骤1b)相同的稳态过滤方法对冷水机组运行的实时数据进行稳态过滤,得到稳态实时数据;
本实施例为了检测所提出基于PCA-R-BN模型的故障检测方法的性能,从经过该步骤稳态过滤后的ASHRAE RP-1043实验数据中,针对正常工况和包含全部4种劣化等级的7种典型软故障,分别随机选择500组的稳态实时数据,构成测试集数据,用以测试PCA-R-BN模型的故障检测性能;
4c)特征选择:选择与上述步骤1c)相同的特征;
4d)对实时数据进行零均值化处理,得到实时数据矩阵;
4e)计算实时数据矩阵在R子空间中的得分矩阵t~;
4f)得分矩阵t~输入到BN模型中,得到BN模型所输出的正常状态后验概率和故障状态后验概率;
4g)比较正常状态后验概率和故障状态后验概率的大小;
当正常状态的后验概率大于故障状态的后验概率时,判断为冷水机组工作在正常状态,没有出现故障;
当正常状态的后验概率小于故障状态的后验概率时,判断为冷水机组出现了故障;
4h)将得到的故障检测结果报告提交给决策者。
检测性能评价:使用本实施例步骤4b)中确定的全部测试集数据对本实施例所提供的故障检测方法进行性能测试,并将测试结果与单纯基于BN模型的故障检测方法和基于PCA-PC-BN模型的故障检测方法进行对比。基于PCA-R-BN模型、基于BN模型和基于PCA-PC-BN模型对正常样本的检测正确率均大于95%,对故障样本的检测正确率如图3所示。
由图3可知,与基于BN模型的检测方法和基于PC训练模型的PCA-PC-BN检测方法比较,本实施例提供的基于PCA-R-BN模型的故障检测方法对4个劣化等级的7种典型软故障都有着更好的检测性能。尤其在轻微劣化等级时,如SL-1和SL-2等级时,本实施例所提供的检测方法优势更为明显。本实施例所提供的检测方法,对SL-1下冷却水量减少,冷冻水量减少,制冷剂充注不足,制冷剂充注过量,冷凝器结垢,存在非凝性气体和存在过量的油这7种典型软故障的检测正确率分别是100%、100%、44%、81%、37%、100%和76%,对其中5种典型软故障的检测正确率超过了75%,且最高达到100%。这些结果显示本实施例提供的故障检测方法有着优良的检测性能,尤其对轻微劣化等级下的故障。基于PCA-PC-BN模型的方法有着最差的检测性能,这是因为PC虽然保留了原特征的大部分信息,但它并不反映特征中的非正常信息,而这部分信息往往反映了故障发生与否。R成分正是反应了特征中的这些非正常信息,才使得使用R成分训练模型的PCA-R-BN的方法有着更好的检测性能。
本实施例的结果显示:本发明提出的冷水机组故障检测方法,通过利用PCA数据降维和有效特征提取的优势,提高了对冷水机组故障检测方法的检测性能,尤其提高了对轻微劣化等级故障的检测正确率,从而有效克服了目前单纯基于BN的冷水机组故障检测方法存在的主要局限性的问题。
系统实施例:
本实施例提供一种冷水机组故障检测系统,包括存储器和处理器,存储器上存储有用于在处理器上执行的计算机程序;处理器执行计算机程序时,实现如上述和方法实施例中提供的冷水机组故障检测方法。
Claims (10)
1.一种冷水机组故障检测方法,其特征在于,包括如下步骤:
(1)获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集,并通过标准训练集得到标准训练集矩阵;
(2)对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;
(3)构建BN模型;所述BN模型包括状态层和征兆层,其中状态层包括一个节点,该节点设有正常状态和故障状态;所述征兆层包括一个连续型节点,该节点的数据服从高斯分布,其均值向量和协方差矩阵在状态层节点为正常状态时,根据标准训练集矩阵在R子空间的得分矩阵得到;
(4)获取冷水机组运行时的实时数据,经过特征选择后,对实时数据进行零均值化,得到实时数据在R子空间的得分矩阵;
(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型,根据BN模型状态层中正常状态和故障状态的后验概率,判断冷水机组是否出现故障。
2.根据权利要求1所述的一种冷水机组故障检测方法,其特征在于,所述步骤(1)中获取冷水机组正常工作时的数据后,首先进行稳态滤波,然后再构建标准训练集。
3.根据权利要求1所述的一种冷水机组故障检测方法,其特征在于,得到标准训练集后,经过零均值化处理得到所述标准训练集矩阵。
4.根据权利要求1-3任意一项所述的一种冷水机组故障检测方法,其特征在于,所述基于PCA的数据分解包括:计算标准训练集矩阵的特征值及对应的特征向量;
使用累积方差贡献率确定PC的数量;
根据PC的数量,将各特征向量组成的矩阵进行空间分解,得到标准训练集矩阵在R子空间中的载荷矩阵;
根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。
5.根据权利要求4所述的一种冷水机组故障检测方法,其特征在于,所述使用累积方差贡献率确定PC的数量,是指将标准训练集矩阵的特征值从大到小排列,如果前n个特征值的贡献率之和大于设定贡献率,且前n-1个特征值的贡献率之和小于设定贡献率,则PC的数量为n。
6.一种冷水机组故障检测系统,包括存储器和处理器,所述存储器上存储有用于在处理器上执行的计算机程序;其特征在于,所述处理器执行计算机程序时,实现如下步骤:
(1)获取冷水机组正常工作时的数据,选择用于表征冷水机组健康状态的特征,构建标准训练集,并通过标准训练集得到标准训练集矩阵;
(2)对标准训练集矩阵进行基于PCA的数据分解,得到标准训练集矩阵在R子空间的得分矩阵;
(3)构建BN模型;所述BN模型包括状态层和征兆层,其中状态层包括一个节点,该节点设有正常状态和故障状态;所述征兆层包括一个连续型节点,该节点的数据服从高斯分布,其均值向量和协方差矩阵在状态层节点为正常状态时,根据标准训练集矩阵在R子空间的得分矩阵得到;
(4)获取冷水机组运行时的实时数据,经过特征选择后,对实时数据进行零均值化,得到实时数据在R子空间的得分矩阵;
(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型,根据BN模型状态层中正常状态和故障状态的后验概率,判断冷水机组是否出现故障。
7.根据权利要求6所述的一种冷水机组故障检测系统,其特征在于,所述步骤(1)中获取冷水机组正常工作时的数据后,首先进行稳态滤波,然后再构建标准训练集。
8.根据权利要求6所述的一种冷水机组故障检测系统,其特征在于,得到标准训练集后,经过零均值化处理得到所述标准训练集矩阵。
9.根据权利要求6-8任意一项所述的一种冷水机组故障检测系统,其特征在于,所述基于PCA的数据分解包括:计算标准训练集矩阵的特征值及对应的特征向量;
使用累积方差贡献率确定PC的数量;
根据PC的数量,将各特征向量组成的矩阵进行空间分解,得到标准训练集矩阵在R子空间中的载荷矩阵;
根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。
10.根据权利要求9所述的一种冷水机组故障检测系统,其特征在于,所述使用累积方差贡献率确定PC的数量,是指将标准训练集矩阵的特征值从大到小排列,如果前n个特征值的贡献率之和大于设定贡献率,且前n-1个特征值的贡献率之和小于设定贡献率,则PC的数量为n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615803.6A CN108758969B (zh) | 2018-06-14 | 2018-06-14 | 一种冷水机组故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810615803.6A CN108758969B (zh) | 2018-06-14 | 2018-06-14 | 一种冷水机组故障检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108758969A true CN108758969A (zh) | 2018-11-06 |
CN108758969B CN108758969B (zh) | 2020-09-15 |
Family
ID=64022152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810615803.6A Active CN108758969B (zh) | 2018-06-14 | 2018-06-14 | 一种冷水机组故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108758969B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240276A (zh) * | 2018-11-09 | 2019-01-18 | 江南大学 | 基于故障敏感主元选择的多块pca故障监测方法 |
CN110046662A (zh) * | 2019-04-10 | 2019-07-23 | 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 |
CN110141242A (zh) * | 2019-06-06 | 2019-08-20 | 河南科技大学 | 一种基于信息融合bn的在室人员活动状态识别方法 |
CN110230865A (zh) * | 2019-06-06 | 2019-09-13 | 河南科技大学 | 一种基于信息融合bn的人员在室状态识别方法 |
CN111445992A (zh) * | 2020-01-21 | 2020-07-24 | 中国医学科学院肿瘤医院 | 建立预测模型的方法、装置、介质及设备 |
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 |
CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调系统故障检测与诊断方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111306706B (zh) * | 2019-10-10 | 2021-11-02 | 珠海派诺科技股份有限公司 | 一种空调联动控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040231338A1 (en) * | 2003-03-28 | 2004-11-25 | Akiko Saito | Magnetic composite material and method for producing the same |
CN103901880A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障检测方法 |
CN105700518A (zh) * | 2016-03-10 | 2016-06-22 | 华中科技大学 | 一种工业过程故障诊断方法 |
CN106092625A (zh) * | 2016-05-30 | 2016-11-09 | 宁波大学 | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 |
CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
-
2018
- 2018-06-14 CN CN201810615803.6A patent/CN108758969B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040231338A1 (en) * | 2003-03-28 | 2004-11-25 | Akiko Saito | Magnetic composite material and method for producing the same |
CN103901880A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障检测方法 |
CN105700518A (zh) * | 2016-03-10 | 2016-06-22 | 华中科技大学 | 一种工业过程故障诊断方法 |
CN106092625A (zh) * | 2016-05-30 | 2016-11-09 | 宁波大学 | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 |
CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
卜宇君: "发动机冷试排气测试故障检测与诊断方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈文多: "基于贝叶斯网络与多元统计分析的故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240276A (zh) * | 2018-11-09 | 2019-01-18 | 江南大学 | 基于故障敏感主元选择的多块pca故障监测方法 |
CN110046662A (zh) * | 2019-04-10 | 2019-07-23 | 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 |
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 |
CN110141242A (zh) * | 2019-06-06 | 2019-08-20 | 河南科技大学 | 一种基于信息融合bn的在室人员活动状态识别方法 |
CN110230865A (zh) * | 2019-06-06 | 2019-09-13 | 河南科技大学 | 一种基于信息融合bn的人员在室状态识别方法 |
CN111445992A (zh) * | 2020-01-21 | 2020-07-24 | 中国医学科学院肿瘤医院 | 建立预测模型的方法、装置、介质及设备 |
CN111445992B (zh) * | 2020-01-21 | 2023-11-03 | 中国医学科学院肿瘤医院 | 建立预测模型的方法、装置、介质及设备 |
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 |
CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调系统故障检测与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108758969B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108758969A (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 | |
Li et al. | An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm | |
Zhao et al. | Pattern recognition-based chillers fault detection method using Support Vector Data Description (SVDD) | |
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 | |
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 | |
Wang et al. | Enhanced chiller fault detection using Bayesian network and principal component analysis | |
He et al. | Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary | |
Han et al. | Study on a hybrid SVM model for chiller FDD applications | |
Wang et al. | Feature selection based on Bayesian network for chiller fault diagnosis from the perspective of field applications | |
Han et al. | Important sensors for chiller fault detection and diagnosis (FDD) from the perspective of feature selection and machine learning | |
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 | |
CN110162014A (zh) | 一种集成多种智能算法的制冷系统故障诊断方法 | |
CN106092625A (zh) | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 | |
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 | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
CN105334823B (zh) | 基于有监督的线性动态系统模型的工业过程故障检测方法 | |
CN109858140A (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 | |
Gao et al. | Comprehensive study on sensitive parameters for chiller fault diagnosis | |
CN109540562A (zh) | 一种冷水机组故障诊断方法 | |
CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
CN111706958A (zh) | 一种基于大数据处理的中央空调故障性能检测系统 | |
Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: Room 277, 1st Floor, Building 1, No. 350 Xianxia Road, Changning District, Shanghai, 200000 Patentee after: HAOMU (SHANGHAI) ENERGY SAVING TECHNOLOGY CO.,LTD. Address before: 471003 No. 48, Xiyuan Road, Jianxi District, Henan, Luoyang Patentee before: HENAN University OF SCIENCE AND TECHNOLOGY |
|
TR01 | Transfer of patent right |