CN110046662A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110046662A CN110046662A CN201910286035.9A CN201910286035A CN110046662A CN 110046662 A CN110046662 A CN 110046662A CN 201910286035 A CN201910286035 A CN 201910286035A CN 110046662 A CN110046662 A CN 110046662A
- Authority
- CN
- China
- Prior art keywords
- failure
- parameter
- water cooler
- model
- data
- 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
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于模型与数据融合的冷水机组复合故障诊断方法和系统,第一步,构建参考模型,以确定特征参数的正常值;第二步,构建BN模型;第三步,在线应用BN模型,将在线实时监测的数据经计算,获得特征参数计算值,同时将在线实时监测的数据输入到构建好的参考模型,获取特征参数的正常值;比较特征参数计算值与正常值的大小,确定特征参数的变化方向;将确定的特征参数变化方向和在线获取的直接测量参数一并输入BN模型中,输出各个故障的后验概率,依据最大后验概率原则,输出故障诊断结果。本发明将基于模型与基于数据这两类方法融合在一个诊断体系中,实现彼此优势互补,扬长避短,从而有效克服基于单类方法的局限性,获得优于单类方法的故障诊断性能。
Description
技术领域
本发明属于冷水机组故障诊断技术领域,具体涉及一种冷水机组故障诊断方法和系统。
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,若不及时排除,将会导致空调系统运行能效下降,带来大量的能源浪费,减少设备使用寿命,并降低室内环境舒适度。将故障诊断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。
经历几十年的发展,冷水机组故障诊断被广泛研究,大量应用在冷水机组的故障诊断方法被提供。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。每类方法都有其优点和缺点。
基于模型方法的优点:模型构建不需要故障数据;其缺点:对于复杂系统(有着大量输入与输出,如冷水机组)来说,精确模型通常是复杂的,构建这样的模型往往需要耗费大量的时间与精力。
基于数据方法的优点:不需要构建系统详细的物理模型;其缺点:需要足够数量和质量的包含各类故障的数据训练模型。
显然,单类方法的缺点导致其在现场应用中存在局限性:(1)基于模型方法在不能构建精确模型的现场不适用;(2)基于数据方法在不能获取足够数量和质量的包含各类故障数据的现场不适用。
发明内容
本发明的目的是将基于模型和基于数据方法进行融合,构建一种基于模型与数据融合的冷水机组复合故障诊断方法,实现这两类方法的优势互补,扬长避短,从而有效克服基于单类方法的局限性。
为了实现上述目的,本发明所采用的技术方案是:
基于模型与数据融合的冷水机组复合故障诊断方法,包括如下步骤:
(1)获取冷水机组正常工作和故障时的数据,并将冷水机组正常工作和故障时的数据进行稳态过滤,得到冷水机组正常工作和故障时的稳态数据,选择用于表征冷水机组故障的特征参数和直接测量参数,选择用于表征冷水机组运行工况的指示参数;
(2)选择用于确定特征参数正常值的参考模型;
(3)使用获取的冷水机组正常工作时的稳态数据,对参考模型进行训练,确定参考模型中的回归系数,得到训练好的参考模型;
(4)构建BN模型;所述BN模型包括BN的结构和BN的参数;
(5)获取冷水机组运行时的实时数据,经过特征选择后,得到各项特征参数的计算值和直接测量参数的测量值;
(6)将获取冷水机组运行时的实时数据输入构建好的参考模型中,得到各项特征参数的正常值;
(7)比较特征参数的正常值与计算值,得到各项特征参数相对于正常值的变化方向;
(8)将各项特征参数的变化方向和直接测量参数的测量值一并作为证据,输入构建好的对应于每个故障的BN模型中,根据每个故障发生的后验概率,判断冷水机组出现了何种故障。
所述步骤(3)在对参考模型进行训练时,表征冷水机组故障的特征参数作为参考模型的输出,表征冷水机组运行工况的指示参数作为参考模型的输入。
所述步骤(4)在构建BN模型时,所述BN的结构包括故障层和征兆层,其中故障层包括一个节点,该节点表示某个具体故障Fi,设有“Yes”和“No”两种状态,分别表示故障发生与否,所述征兆层包括若干个特征参数和直接测量参数,每个特征参数包括三个状态,分别是“变大”、“不变”和“变小”,直接测量参数组成的节点为m维连续型节点,其数据服从m维高斯分布。
所述步骤(4)在构建BN模型时,所述BN的参数包括故障层节点两个状态的先验概率、征兆层中特征参数节点三个状态的条件概率以及描述征兆层中直接测量参数节点的高斯分布的两个参数;其中,故障层节点两个状态的先验概率依据维修记录统计数据确定,征兆层中特征参数节点三个状态的条件概率由维修记录统计数据给出,描述征兆层中直接测量参数节点的高斯分布的两个参数分别为均值向量μi和协方差矩阵∑i,均值向量μi和协方差矩阵∑i在故障层节点Fi为“Yes”状态时,由获取的冷水机组故障时的稳态数据通过极大似然估计得到。
在确定征兆层中具体特征参数时,首先对故障与特征参数之间的内在物理关系进行分析,再构建表征故障与特征参数之间映射关系的诊断规则表,然后确定征兆层中具体的特征参数。
所述步骤(5)中获取冷水机组运行时的实时数据,首先进行稳态过滤,再进行特征选择。
基于模型与数据融合的冷水机组复合故障诊断系统,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和故障时的数据,并将冷水机组正常工作和故障时的数据进行稳态过滤,得到冷水机组正常工作和故障时的稳态数据,选择用于表征冷水机组故障的特征参数和直接测量参数,选择用于表征冷水机组运行工况的指示参数;
(2)选择用于确定特征参数正常值的参考模型;
(3)使用获取的冷水机组正常工作时的稳态数据,对参考模型进行训练,确定参考模型中的回归系数,得到训练好的参考模型;
(4)构建BN模型;所述BN模型包括BN的结构和BN的参数;
(5)获取冷水机组运行时的实时数据,经过特征选择后,得到各项特征参数的计算值和直接测量参数的测量值;
(6)将获取冷水机组运行时的实时数据输入构建好的参考模型中,得到各项特征参数的正常值;
(7)比较特征参数的正常值与计算值,得到各项特征参数相对于正常值的变化方向;
(8)将各项特征参数的变化方向和直接测量参数的测量值一并作为证据,输入构建好的对应于每个故障的BN模型中,根据每个故障发生的后验概率,判断冷水机组出现了何种故障。
所述步骤(3)在对参考模型进行训练时,表征冷水机组故障的特征参数作为参考模型的输出,表征冷水机组运行工况的指示参数作为参考模型的输入。
所述步骤(4)在构建BN模型时,所述BN的结构包括故障层和征兆层,其中故障层包括一个节点,该节点表示某个具体故障Fi,设有“Yes”和“No”两种状态,分别表示故障发生与否,所述征兆层包括若干个特征参数和直接测量参数,每个特征参数包括三个状态,分别是“变大”、“不变”和“变小”,直接测量参数组成的节点为m维连续型节点,其数据服从m维高斯分布。
所述步骤(4)在构建BN模型时,所述BN的参数包括故障层节点两个状态的先验概率、征兆层中特征参数节点三个状态的条件概率以及描述征兆层中直接测量参数节点的高斯分布的两个参数;其中,故障层节点两个状态的先验概率依据维修记录统计数据确定,征兆层中特征参数节点三个状态的条件概率由维修记录统计数据给出,描述征兆层中直接测量参数节点的高斯分布的两个参数分别为均值向量μi和协方差矩阵∑i,均值向量μi和协方差矩阵∑i在故障层节点Fi为“Yes”状态时,由获取的冷水机组故障时的稳态数据通过极大似然估计得到。
在确定征兆层中具体特征参数时,首先对故障与特征参数之间的内在物理关系进行分析,再构建表征故障与特征参数之间映射关系的诊断规则表,然后确定征兆层中具体的特征参数。
所述步骤(5)中获取冷水机组运行时的实时数据,首先进行稳态过滤,再进行特征选择。
本发明的有益效果是:本发明提供的一种基于模型与数据融合的冷水机组复合故障诊断方法和系统,通过将这两类方法融合在一个诊断体系中,实现彼此优势互补,扬长避短,从而有效克服基于单类方法的局限性,获得优于单类方法的故障诊断性能,极大地促进故障诊断技术的现场应用。
附图说明
图1为基于模型与数据融合的冷水机组复合故障诊断流程图。
图2为基于模型与数据融合的冷水机组复合故障诊断模型中BN的通用结构;其中Fi表示第i个故障,X∈Rm,由m个表征故障的直接测量参数组成,CQ1,…,CQk表示有k个与故障Fi相关的特征参数。
图3为方法实施例中BN的结构;其中Fwc表示冷却水量减少故障,Fwe表示冷冻水量减少故障,Rl表示制冷剂充注不足故障,Ro表示制冷剂充注过量故障,Cf表示冷凝器结垢故障,Nc表示存在非凝性气体故障,Eo表示存在过量的油故障;Δtc表示冷却水进出口水温差,Δte表示冷冻水进出口水温差,εsc表示冷凝器中过冷段的换热效率,LMTDc表示冷凝器中制冷剂与冷却水的对数平均温差,Δtsat表示冷水机组停机时,冷凝温度测量值与由冷凝压力得到的冷凝温度计算值之间的差值,Toil表示油箱内油温。
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,对本发明提供的基于模型与数据融合的冷水机组复合故障诊断方法的具体实施步骤说明如下:
步骤1:参考模型构建
1a)通过实验或现场存储的数据库获取冷水机组正常样本历史数据;
1b)稳态过滤:使用已有的稳态过滤方法对正常样本历史数据进行稳态过滤,得到稳态的正常样本数据;
1c)特征参数选择:选择合适的特征参数表征冷水机组的故障;合适的特征参数是特征参数对故障的辨识度高和对故障的敏感度高,所述对故障的辨识度高为不同的故障导致特征参数的变化方向不同;所述对故障敏感高为故障能引起特征参数的变化幅度超过预先设定的阈值;
1d)参考模型训练,包含如下步骤:
1d-1)选择合适的参考模型:从现有的公开发布的参考模型中选择一个公布的模型拟合度最高的那一个参考模型;
1d-2)选取合适的直接测量参数或二次计算参数作为表征冷水机组运行工况的指示参数;合适的直接测量参数或二次计算参数是指直接测量的参数或通过计算得到的组合参数,能够表征冷水机组的运行工况;
1d-3)将步骤1d-2)选择的指示参数作为步骤1d-1)确定的参考模型的输入;
1d-4)将步骤1c)选择的特征参数作为步骤1d-1)确定的参考模型的输出;
1d-5)随机选择不少于100组的步骤1b)确定的稳态数据,对参考模型进行训练,确定参考模型中的回归系数。
步骤2:BN模型构建
2a)通过质量守恒、动量守恒、能量守恒原理以及传热、传质关联式,获得故障与步骤1c)确定的特征参数之间的内在物理关系,以此,构建故障与特征参数之间的映射关系,即诊断规则表;具体是:基于质量守恒、动量守恒、能量守恒原理以及传热、传质关联式,构建各项特征参数之间的方程组,当某个故障发生时,根据构建的方程组,分析各项特征参数相对于其正常值的变化趋势,以此得到故障与特征参数变化趋势之间的映射关系;
2b)根据步骤2a)确定的诊断规则表,确定对应于每个故障的BN的结构;本发明构建的BN结构见附图2,它由二层组成:第一层为故障层,由节点Fi表示,表示一个具体的故障;第二层为征兆层,包括与故障相关的步骤1c)选择的特征参数和步骤2e)选择的直接测量参数,所述与故障相关,为故障能引起特征参数的变化幅度超过预先设定的阈值;
2c)通过实验或现场存储的数据库获取冷水机组各类故障样本数据;
2d)稳态过滤:使用与步骤1b)相同的稳态过滤方法对故障样本数据进行稳态过滤,得到稳态的故障样本数据;
2e)直接测量参数选择:选择合适的直接测量参数表征冷水机组的故障;合适的直接测量参数是获得该测量参数的传感器成本低和对故障的敏感度高时的直接测量参数,所述获得该测量参数的传感器成本低为由温度或压力传感器获得的测量参数;所述对故障敏感度高为故障能引起特征参数的变化幅度超过预先设定的阈值;
2f)对于每种故障,随机选择不少于100组由步骤2d)得到的稳态故障样本数据构成训练集;
2g)依据维修记录统计数据和步骤2f)构建的训练集,确定对应于每个故障的BN的参数;
需要确定的BN的参数包括:第一层故障层节点两个状态“Yes”和“No”(分别表示故障发生和不发生)的先验概率,具体见表1,其中P1表示概率;
表1
第二层中,给定故障层节点状态时的各特征参数节点和直接测量参数节点的条件概率,每个特征参数节点的状态有三个:“Increase”、“Normal”、“Decrease”,分别表示相对于正常值变大、不变、变小,具体见表2,其中P2,P3,P4,P5表示概率,CQi表示第i个特征参数,i=1,...,k;
表2
直接测量参数节点X为m维连续型节点,其数据服从m维高斯分布,其中描述该高斯分布的两个参数分别为均值向量μi和协方差矩阵∑i,均值向量μi和协方差矩阵∑i在故障层节点Fi为“Yes”状态时,根据步骤2f)确定的训练集通过极大似然估计得到,具体见表3:
表3
F<sub>i</sub> | Yes | No |
X | X~N(μ<sub>i</sub>,∑<sub>i</sub>) | X~N(μ<sub>i</sub>,c×∑<sub>i</sub>) |
其中系数c>1,并根据下面两个公式确定:
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α分位点。确定α值的原则是诊断正确率最大。
步骤3:在线模型应用
3a)在线实时监测实际现场的冷水机组的各项参数;
3b)稳态过滤:使用与步骤1b)相同的稳态过滤方法对步骤3a)实时采集到的数据进行稳态过滤;
3c)特征参数选择:选择与步骤1c)相同的特征参数表征冷水机组的故障;
3d)直接测量参数选择:选择与步骤2e)相同的直接测量参数表征冷水机组的故障;
3e)将步骤3b)稳态过滤后的实时采集到的参数输入到步骤1构建好的参考模型中,得到步骤3c)选择的各项特征参数的正常值;
3f)根据步骤3b)稳态过滤后的实时采集到的参数,直接计算步骤3c)选择的各项特征参数的值,得到各项特征参数的计算值;
3g)比较步骤3e)得到的特征参数正常值与步骤3f)得到的特征参数计算值,获得各项特征参数相对于正常值的变化方向;
3h)将步骤3g)获得的各项特征参数的变化方向和步骤3d)选择的直接测量参数的实时稳态数据一并作为证据,输入到步骤2构建好的对应于每个故障的BN模型中,得到此时每个故障发生的后验概率;
3i)比较步骤3h)得到的每个故障发生的后验概率,依据最大后验概率原则,输出故障诊断结果,具体是:输出Fi*作为故障诊断结果,若i*=arg maxi=1,2,...,nP(Fi)evidences),其中evidences表示步骤3g)获得的各项特征参数的变化方向和步骤3d)获得的直接测量参数的测量值,P表示概率值,Fi表示第i个故障,n表示故障的总个数。
系统实施例:
本实施例提供一种冷水机组故障诊断系统,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,实现如上述方法实施例中提供的冷水机组故障诊断方法。
下面通过具体实施例进一步阐述本发明提供的基于模型与数据融合的冷水机组复合故障诊断方法的具体实施和验证本发明的有益效果。
本实施例是对ASHRAE RP-1043报告中所使用的冷水机组进行故障诊断,该冷水机组为一台制冷量约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冷水机组7种典型软故障,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。
1、参考模型构建:
1a)通过对冷水机组进行标定试验,获取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,得到稳态的正常样本数据;
1c)特征参数选择:选择合适的特征参数表征冷水机组的故障;本实施例选择6个故障辨识度高和故障敏感度高的特征参数,这6个特征参数具体见表4,它们的计算公式分别见公式(3)-公式(7);
表4
Δtc=Tco-Tci (3)
Δte=Tei-Teo (4)
式中:Tci,Tco分别表示冷却水进、出口水温;Tei,Teo分别表示冷冻水进、出口水温;Tsub表示制冷剂在冷凝器中的过冷度;Tc表示冷凝温度;表示冷水机组停机时,由冷凝压力得到的冷凝温度计算值;
1d)参考模型训练:
1d-1)选择合适的参考模型;本实施例选择支持向量回归模型作为参考模型;
1d-2)选取合适的直接测量参数或其二次计算参数作为表征冷水机组运行工况的指示参数;本实施例选择3个测量参数表征冷水机组运行工况的指示参数,分别是Teo,Tci和制冷量;
1d-3)将上述步骤1d-2)选择的3个指示参数作为参考模型的输入;
1d-4)将上述步骤1c)选择的特征参数作为参考模型的输出;
1d-5)随机选择1000组属于正常样本的稳态数据,对参考模型进行训练,确定参考模型中的回归系数。
2、BN模型构建:
2a)通过质量守恒、动量守恒、能量守恒原理以及传热、传质关联式,获得故障与上述步骤1c)确定的特征参数之间的内在物理关系,以此,构建故障与特征参数之间的映射关系,即诊断规则表;见表5,表中,“▲”表示故障发生时,特征参数相对于正常值变大,表示故障发生时,特征参数相对于正常值变小,“-”表示故障发生时,特征参数相对于正常值无显著变化;
表5
2b)根据上述步骤2a)确定的诊断规则表,确定对应于每个故障的BN的结构;本实施例构建的BN结构见附图3,附图3中,Fwc表示冷却水量减少故障,Fwe表示冷冻水量减少故障,Rl表示制冷剂充注不足故障,Ro表示制冷剂充注过量故障,Cf表示冷凝器结垢故障,Nc表示存在非凝性气体故障,Eo表示存在过量的油故障;
2c)通过实验获取冷水机组各类故障样本数据;
2d)稳态过滤:使用与上述步骤1b)相同的稳态过滤方法对故障样本数据进行稳态过滤,得到稳态的故障样本数据;
2e)直接测量参数选择:本实施例选择16个直接测量参数表征冷水机组的故障;这16个直接测量参数均为对故障敏感度高的由低成本温度或压力传感器获得的参数;具体见表6;
表6
编号 | 直接测量参数 | 描述 | 编号 | 直接测量参数 | 描述 |
1 | T<sub>ei</sub> | 冷冻水入水温度 | 9 | T<sub>sub</sub> | 过冷度 |
2 | T<sub>eo</sub> | 冷冻水出水温度 | 10 | T_suc | 压缩机吸气温度 |
3 | T<sub>ci</sub> | 冷却水入水温度 | 11 | Tsh_suc | 吸气过热度 |
4 | T<sub>co</sub> | 冷却水出水温度 | 12 | TR_dis | 压缩机排气温度 |
5 | T<sub>e</sub> | 蒸发温度 | 13 | Tsh_dis | 排气过热度 |
6 | T<sub>c</sub> | 冷凝温度 | 14 | P_in | 压缩机耗功 |
7 | TEA | T<sub>eo</sub>-T<sub>e</sub> | 15 | T<sub>oil</sub> | 油箱内油温 |
8 | TCA | T<sub>c</sub>-T<sub>co</sub> | 16 | POfeed | 供油压力 |
2f)针对每个故障,随机1000组稳态故障样本数据,组成训练集;
2g)依据维修记录统计数据和上述步骤2f)构建的训练集,确定对应于每个故障的BN的参数,其中对于每个故障节点的先验概率由ASHRAE RP-1043报告中对冷水机组典型故障发生的统计频率确定。
本实施例确定的BN参数中故障节点的先验概率具体见表7:
表7
故障 | Fwc | Fwe | R1 | Ro | Cf | Nc | Eo | |
状态 | Yes | 3.8% | 2.5% | 17% | 3% | 8.7% | 2.9% | 0.8% |
No | 96.2% | 97.5% | 83% | 97% | 91.3% | 97.1% | 99.2% |
特征参数子节点的条件概率见表8:
表8
对于描述直接测量参数节点X高斯分布的两个参数,均值向量μi和协方差矩阵∑i,则由步骤2f)构建的训练集通过极大似然估计得到,通过多次试算,本实施例选择显著性水平α=0.025,根据以下公式:
计算得到c=3.9,获得直接测量参数节点X的条件概率,具体见表9:
表9
F<sub>i</sub> | Yes | No |
X | X~N(μ<sub>i</sub>,∑<sub>i</sub>) | X~N(μ<sub>i</sub>,3.9×∑<sub>i</sub>) |
至此,BN模型构建完成。
3、采用BN模型对冷水机组进行故障诊断:
3a)当冷水机组运行时,在线监测冷水机组运行的实时数据;
3b)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;
本实施例为了评价所提供的基于模型与数据融合的复合故障诊断方法的性能,从经过上述步骤2d)稳态过滤后的ASHRAE RP-1043实验数据中,针对包含全部4种劣化等级的7种典型故障,分别随机选取500组的稳态数据,构成测试集,用以测试构建的基于模型与数据融合的复合故障诊断模型的故障诊断性能;
3c)特征参数选择:选择与上述步骤1c)相同的特征参数表征冷水机组的故障;
3d)直接测量参数选择:选择与上述步骤2e)相同的直接测量参数表征冷水机组的故障;
3e)将稳态实时数据输入到构建好的参考模型中,得到各项特征参数的正常值;
3f)根据稳态实时数据,直接计算各项特征参数的计算值;
3g)比较特征参数正常值与计算值,获得各项特征参数相对于正常值的变化方向;
3h)将获得的各项特征参数的变化方向和上述步骤3d)选择的直接测量参数的实时稳态数据一并作为证据,输入到构建好的对应于每个故障的BN模型中,得到此时每个故障发生的后验概率;
3i)比较上述步骤3h)得到的每个故障发生的后验概率,依据最大后验概率原则,输出故障诊断结果。
诊断性能评价:使用本实施例步骤3b)中确定的全部测试集数据对本实施例所提供的故障诊断方法进行性能测试。
当现场没有足够数量和质量的故障数据时,本发明提供的基于模型与数据融合的复合故障诊断方法中仅基于模型的部分起作用,这就像常规仅基于模型的故障诊断方法所做的那样。此时,测试结果显示在表10中,表10中,第一列表示预测的故障类别,第二列表示向构建好的BN模型输入的证据,这些证据是通过参考模型确定的各项特征参数相对于正常值的变化方向,第三列表示输出的最大后验概率,第四列表示最大后验概率对应的故障类别,即为输出的诊断结果。对比第一列与第四列,它们完全相同,这表明只要各项特征参数的变化趋势被正确判断,故障就能够被正确诊断,这同时也表明,当现场缺乏足够数量和质量的故障数据时,本发明提供的复合故障诊断方法仍然能够有效地诊断故障。
表10
当现场无法获取足够高精度的参考模型时,本发明提供的基于模型与数据融合的复合故障诊断方法中仅基于数据的部分起作用,这就像常规仅基于数据的故障诊断方法所做的那样。此时,表示测试结果的混淆矩阵显示在表11中,其中,列表示真实的故障类别,行表示预测的故障类别,CR表示正确率,NF表示新故障。由表11,对故障的诊断CR(除了制冷剂充注不足故障)均在90%之上,而对制冷剂充注不足故障的诊断CR也有76.4%,这表明本发明提供的复合故障诊断方法有足够高的诊断正确率,且同时表明在无法构建精确模型的现场,本发明提供的复合故障诊断方法同样适用。
表11
当现场可以构建精确的参考模型,且同时有着足够数量和质量的故障数据时,本发明提供的基于模型与数据融合的复合故障诊断方法中基于模型和基于数据的部分将同时发挥作用,此时,将来自基于模型部分的证据和来自基于数据部分的证据同时输入BN模型中,表示测试结果的混淆矩阵显示在表12中。其中,列表示真实的故障类别,行表示预测的故障类别,CR表示正确率,NF表示新故障。由表12,在已将来自直接测量参数的数据作为证据的基础上,再添加特征参数相对于正常值变化方向的证据,冷水机组7种典型故障的诊断正确率均上升到100%。这表明,在现场既能构建精确参考模型,又能获取足够数量和质量的故障数据时,本发明提供的复合故障诊断方法有着足够出色的故障诊断性能。
表12
本实施例的结果显示:本发明提供的一种基于模型与数据融合的冷水机组复合故障诊断方法和系统,通过将这两类方法融合在一个诊断体系中,实现彼此优势互补,扬长避短,从而有效克服基于单类方法的局限性,获得优于单类方法的故障诊断性能,极大地促进故障诊断技术的现场应用。
Claims (12)
1.基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,包括如下步骤:
(1)获取冷水机组正常工作和故障时的数据,并将冷水机组正常工作和故障时的数据进行稳态过滤,得到冷水机组正常工作和故障时的稳态数据,选择用于表征冷水机组故障的特征参数和直接测量参数,选择用于表征冷水机组运行工况的指示参数;
(2)选择用于确定特征参数正常值的参考模型;
(3)使用获取的冷水机组正常工作时的稳态数据,对参考模型进行训练,确定参考模型中的回归系数,得到训练好的参考模型;
(4)构建BN模型;所述BN模型包括BN的结构和BN的参数;
(5)获取冷水机组运行时的实时数据,经过特征选择后,得到各项特征参数的计算值和直接测量参数的测量值;
(6)将获取冷水机组运行时的实时数据输入构建好的参考模型中,得到各项特征参数的正常值;
(7)比较特征参数的正常值与计算值,得到各项特征参数相对于正常值的变化方向;
(8)将各项特征参数的变化方向和直接测量参数的测量值一并作为证据,输入构建好的对应于每个故障的BN模型中,根据每个故障发生的后验概率,判断冷水机组出现了何种故障。
2.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,所述步骤(3)在对参考模型进行训练时,表征冷水机组故障的特征参数作为参考模型的输出,表征冷水机组运行工况的指示参数作为参考模型的输入。
3.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,所述步骤(4)在构建BN模型时,所述BN的结构包括故障层和征兆层,其中故障层包括一个节点,该节点表示某个具体故障,设有“Yes”和“No”两种状态,分别表示故障发生与否,所述征兆层包括若干个特征参数和直接测量参数,每个特征参数包括三个状态,分别是“变大”、“不变”和“变小”,直接测量参数组成的节点为m维连续型节点,其数据服从m维高斯分布。
4.根据权利要求3所述的基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,所述步骤(4)在构建BN模型时,所述BN的参数包括故障层节点两个状态的先验概率、征兆层中特征参数节点三个状态的条件概率以及描述征兆层中直接测量参数节点的高斯分布的两个参数;其中,故障层节点两个状态的先验概率依据维修记录统计数据确定,征兆层中特征参数节点三个状态的条件概率由维修记录统计数据给出,描述征兆层中直接测量参数节点的高斯分布的两个参数分别为均值向量和协方差矩阵,均值向量和协方差矩阵在故障层节点为“Yes”状态时,由获取的冷水机组故障时的稳态数据通过极大似然估计得到。
5.根据权利要求3所述的基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,在确定所述征兆层中具体特征参数时,首先对故障与特征参数之间的内在物理关系进行分析,再构建表征故障与特征参数之间映射关系的诊断规则表,然后确定征兆层中具体的特征参数。
6.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法,其特征在于,所述步骤(5)中获取冷水机组运行时的实时数据,首先进行稳态过滤,再进行特征选择。
7.基于模型与数据融合的冷水机组复合故障诊断系统,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和故障时的数据,并将冷水机组正常工作和故障时的数据进行稳态过滤,得到冷水机组正常工作和故障时的稳态数据,选择用于表征冷水机组故障的特征参数和直接测量参数,选择用于表征冷水机组运行工况的指示参数;
(2)选择用于确定特征参数正常值的参考模型;
(3)使用获取的冷水机组正常工作时的稳态数据,对参考模型进行训练,确定参考模型中的回归系数,得到训练好的参考模型;
(4)构建BN模型;所述BN模型包括BN的结构和BN的参数;
(5)获取冷水机组运行时的实时数据,经过特征选择后,得到各项特征参数的计算值和直接测量参数的测量值;
(6)将获取冷水机组运行时的实时数据输入构建好的参考模型中,得到各项特征参数的正常值;
(7)比较特征参数的正常值与计算值,得到各项特征参数相对于正常值的变化方向;
(8)将各项特征参数的变化方向和直接测量参数的测量值一并作为证据,输入构建好的对应于每个故障的BN模型中,根据每个故障发生的后验概率,判断冷水机组出现了何种故障。
8.根据权利要求7所述的基于模型与数据融合的冷水机组复合故障诊断系统,其特征在于,所述步骤(3)在对参考模型进行训练时,表征冷水机组故障的特征参数作为参考模型的输出,表征冷水机组运行工况的指示参数作为参考模型的输入。
9.根据权利要求7所述的基于模型与数据融合的冷水机组复合故障诊断系统,其特征在于,所述步骤(4)在构建BN模型时,所述BN的结构包括故障层和征兆层,其中故障层包括一个节点,该节点表示某个具体故障,设有“Yes”和“No”两种状态,分别表示故障发生与否,所述征兆层包括若干个特征参数和直接测量参数,每个特征参数包括三个状态,分别是“变大”、“不变”和“变小”,直接测量参数组成的节点为m维连续型节点,其数据服从m维高斯分布。
10.根据权利要求7所述的基于模型与数据融合的冷水机组复合故障诊断系统,其特征在于,所述步骤(4)在构建BN模型时,所述BN的参数包括故障层节点两个状态的先验概率、征兆层中特征参数节点三个状态的条件概率以及描述征兆层中直接测量参数节点的高斯分布的两个参数;其中,故障层节点两个状态的先验概率依据维修记录统计数据确定,征兆层中特征参数节点三个状态的条件概率由维修记录统计数据给出,描述征兆层中直接测量参数节点的高斯分布的两个参数分别为均值向量和协方差矩阵,均值向量和协方差矩阵在故障层节点为“Yes”状态时,由获取的冷水机组故障时的稳态数据通过极大似然估计得到。
11.根据权利要求9所述的基于模型与数据融合的冷水机组复合故障诊断系统,其特征在于,所述在确定征兆层中具体特征参数时,首先对故障与特征参数之间的内在物理关系进行分析,再构建表征故障与特征参数之间映射关系的诊断规则表,然后确定征兆层中具体的特征参数。
12.根据权利要求7所述的基于模型与数据融合的冷水机组复合故障诊断系统,其特征在于,所述步骤(5)中获取冷水机组运行时的实时数据,首先进行稳态过滤,再进行特征选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286035.9A CN110046662B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286035.9A CN110046662B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046662A true CN110046662A (zh) | 2019-07-23 |
CN110046662B CN110046662B (zh) | 2022-09-16 |
Family
ID=67276675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910286035.9A Active CN110046662B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046662B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN113281074A (zh) * | 2021-05-17 | 2021-08-20 | 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 |
CN116593198A (zh) * | 2023-07-17 | 2023-08-15 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971027A (zh) * | 2017-03-09 | 2017-07-21 | 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 |
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 |
CN108758969A (zh) * | 2018-06-14 | 2018-11-06 | 河南科技大学 | 一种冷水机组故障检测方法和系统 |
US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
-
2019
- 2019-04-10 CN CN201910286035.9A patent/CN110046662B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971027A (zh) * | 2017-03-09 | 2017-07-21 | 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 |
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 |
US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
CN108758969A (zh) * | 2018-06-14 | 2018-11-06 | 河南科技大学 | 一种冷水机组故障检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
王占伟等: "基于融合的贝叶斯网络的冷水机组故障诊断", 《化工学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN111897855B (zh) * | 2020-07-30 | 2023-11-10 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN113281074A (zh) * | 2021-05-17 | 2021-08-20 | 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 |
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 |
CN116593198A (zh) * | 2023-07-17 | 2023-08-15 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
CN116593198B (zh) * | 2023-07-17 | 2023-09-22 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110046662B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046662A (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 | |
CN108758969B (zh) | 一种冷水机组故障检测方法和系统 | |
Cui et al. | A model-based online fault detection and diagnosis strategy for centrifugal chiller systems | |
CN101749825B (zh) | 用于复合型空调器的冷媒追加控制方法 | |
Zhao et al. | A virtual condenser fouling sensor for chillers | |
CN113108842B (zh) | 一种热交换器多参数关联监测预警方法和系统 | |
CN102313471B (zh) | 冷却系统的功能监视和/或控制方法及相应的冷却系统 | |
CN108731190B (zh) | 空调主机参数的检测方法、检测装置和检测系统 | |
CN105160345B (zh) | 一种诊断列车空调机组故障的方法 | |
Yu et al. | A VRF charge fault diagnosis method based on expert modification C5. 0 decision tree | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
CN109543221B (zh) | 一种用于空调冷水机组现场故障诊断方法 | |
CN102353403B (zh) | 中央空调主机冷冻水流量及冷却介质流量测量方法 | |
CN105046210A (zh) | 列车空调故障的多标签诊断方法 | |
CN106322680A (zh) | 一种空调报警装置及方法 | |
CN109945394A (zh) | 一种中央空调冷冻水系统小温差综合征精确诊断方法 | |
CN113822359B (zh) | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 | |
JP4301085B2 (ja) | 熱源機器の劣化診断システム | |
WO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
CN115508119A (zh) | 残差-知识-数据联合驱动的故障复合诊断方法及系统 | |
KR102298489B1 (ko) | 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템, 이를 이용한 건물 에너지 고장 진단 및 분석 방법 | |
Li et al. | An Effective Fault Detection and Diagnosis Approach for Chiller System | |
CN114396704B (zh) | 一种基于大数据分析的冷水机组健康性诊断方法及系统 | |
CN113280417B (zh) | 冷水机组压缩机性能劣化诊断方法 | |
CN114234359B (zh) | 空调器及其制冷剂泄漏检测方法 |
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 |