CN110163451A - 暖通系统的健康度预测方法、系统和计算机可读存储介质 - Google Patents

暖通系统的健康度预测方法、系统和计算机可读存储介质 Download PDF

Info

Publication number
CN110163451A
CN110163451A CN201910477283.1A CN201910477283A CN110163451A CN 110163451 A CN110163451 A CN 110163451A CN 201910477283 A CN201910477283 A CN 201910477283A CN 110163451 A CN110163451 A CN 110163451A
Authority
CN
China
Prior art keywords
working status
status parameter
health degree
hvac system
value
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
Application number
CN201910477283.1A
Other languages
English (en)
Other versions
CN110163451B (zh
Inventor
籍宏飞
徐鹏
李彬
姜丛斌
侯博伟
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.)
Yunke Shandong Electronic Technology Co ltd
Original Assignee
Beijing Zhongke Austria Creation Technology Co Ltd
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 Beijing Zhongke Austria Creation Technology Co Ltd filed Critical Beijing Zhongke Austria Creation Technology Co Ltd
Priority to CN201910477283.1A priority Critical patent/CN110163451B/zh
Publication of CN110163451A publication Critical patent/CN110163451A/zh
Application granted granted Critical
Publication of CN110163451B publication Critical patent/CN110163451B/zh
Active - Reinstated legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种暖通系统的健康度预测方法、系统和计算机可读存储介质,方法包括:获得暖通系统中工作状态参数的时间序列历史数据,所述工作状态参数中包括至少一种类型的工作状态参数;根据获得的所述暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得所述暖通系统的健康度信息。通过实施本发明,能做到准确有效的暖通系统健康度预测。

Description

暖通系统的健康度预测方法、系统和计算机可读存储介质
技术领域
本发明涉及大数据分析技术领域,尤其涉及一种暖通系统的健康度预测方法、系统和计算机可读存储介质。
背景技术
针对暖通系统的健康度检测是日常维护中的一项重要工作。现有技术中通常采用定时检测特定参数的方法,直接的依据测量参数结果来判断和预测暖通系统故障。现有的方法不能做到准确有效的健康度预测,不能准确直观的预测暖通系统故障,无法直观有效的获得暖通系统的健康度变化状况和趋势分析结果。
发明内容
有鉴于此,本发明提供一种暖通系统的健康度预测方法、系统和计算机可读存储介质,以至少解决现有技术中存在的以上技术问题。
本发明一方面提供一种暖通系统的健康度预测方法,所述方法包括:
获得暖通系统中工作状态参数的时间序列历史数据,所述工作状态参数包括至少一种类型的工作状态参数;
根据获得的所述暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;
根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得所述暖通系统的健康度信息。
在一可实施方式中,所述获得暖通系统中工作状态参数的时间序列历史数据,包括:
获得暖通系统中各工作状态参数的历史检测模拟信号;
将所述各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
在一可实施方式中,所述计算各工作状态参数所对应的多阶故障征兆的转移概率,包括:
分别针对每个工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
针对所述数值序列中的第i个数据,在所述第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后所述第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
所述条件概率值[p1、p2、…、pi-2、pi-1]构成了相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,即作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
在一可实施方式中,所述根据各工作状态参数所对应的多阶故障征兆的转移概率,计算获得工作状态参数的健康度信息,包括:
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将所述暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
在一可实施方式中,所述线性组合为求和、求积或求均值。
在一可实施方式中,所述工作状态参数包括以下参数类型中的至少之一:机组累计运行时间、压缩机累计运行时间、冷机运行百分比、冷冻水出水温度、冷冻水进水温度、冷却水出水温度、冷却水进出温度、冷凝压力、蒸发压力、蒸发器饱和温度、冷凝器饱和温度、冷凝器小温差、蒸发器小温差、油压、油温、压缩机启停次数、压缩机喘震次数、冷机运行频率、冷机输出功率、机组累计运行时间、风机累计运行时间、压缩机累计运行时间、风机转速百分比反馈、回风温度、送风温度、回风湿度、送风湿度、扩展温度、扩展湿度、滤网前后压差、冷热通道压差、电加热累计运行时间、加湿器累计运行时间、压缩机转速百分比反馈。
本发明另一方面提供一种暖通系统的健康度预测系统,所述系统包括:
历史数据获得单元,用于获得暖通系统中各工作状态参数的时间序列历史数据,所述工作状态参数包括至少一种类型的工作状态参数;
征兆发生概率获得单元,用于根据获得的所述暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;
健康度信息获得单元,用于根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得所述暖通系统的健康度信息。
在一可实施方式中,所述历史数据获得单元包括:
模拟信号获得子单元,用于获得暖通系统中各工作状态参数的历史检测模拟信号;
离散处理子单元,用于将所述各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
在一可实施方式中,所述征兆发生概率获得单元包括:
排序子单元,用于分别针对每个工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
条件概率计算子单元,用于针对所述数值序列中的第i个数据,在所述第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后所述第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
矩阵获得子单元,用于将所述条件概率值[p1、p2、…、pi-2、pi-1]构成的相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
在一可实施方式中,所述健康度信息获得单元进一步用于,
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将所述暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
在一可实施方式中,所述线性组合为求和、求积或求均值。
在一可实施方式中,所述工作状态参数包括以下参数类型中的至少之一:机组累计运行时间、压缩机累计运行时间、冷机运行百分比、冷冻水出水温度、冷冻水进水温度、冷却水出水温度、冷却水进出温度、冷凝压力、蒸发压力、蒸发器饱和温度、冷凝器饱和温度、冷凝器小温差、蒸发器小温差、油压、油温、压缩机启停次数、压缩机喘震次数、冷机运行频率、冷机输出功率、机组累计运行时间、风机累计运行时间、压缩机累计运行时间、风机转速百分比反馈、回风温度、送风温度、回风湿度、送风湿度、扩展温度、扩展湿度、滤网前后压差、冷热通道压差、电加热累计运行时间、加湿器累计运行时间、压缩机转速百分比反馈。
本发明再一方面提供一种计算机可读存储介质,所述介质包括一组计算机可执行指令,当所述指令被执行时用于执行本发明所述的暖通系统的健康度预测方法。
通过实施本发明的方法和系统,能够做到对暖通系统准确有效的健康度预测,能准确直观的预测故障,直观有效的获得暖通系统的健康度变化状况和趋势分析结果。
附图说明
图1示出了本发明实施例一的一种暖通系统健康度预测方法的流程示意图;
图2示出了本发明实施例二的一种暖通系统健康度预测方法的流程示意图;
图3示出了本发明实施例一的一种暖通系统健康度预测系统的组成结构示意图;
图4示出了本发明实施例二的一种暖通系统健康度预测系统的组成结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参见图1所示,本发明实施例一提供的一种暖通系统的健康度预测方法主要包括:
步骤101,获得暖通系统中工作状态参数的时间序列历史数据,工作状态参数中包括至少一种类型的工作状态参数。
具体的,工作状态参数可以包括以下参数类型中的至少之一:机组累计运行时间、压缩机累计运行时间、冷机运行百分比、冷冻水出水温度、冷冻水进水温度、冷却水出水温度、冷却水进出温度、冷凝压力、蒸发压力、蒸发器饱和温度、冷凝器饱和温度、冷凝器小温差、蒸发器小温差、油压、油温、压缩机启停次数、压缩机喘震次数、冷机运行频率、冷机输出功率、机组累计运行时间、风机累计运行时间、压缩机累计运行时间、风机转速百分比反馈、回风温度、送风温度、回风湿度、送风湿度、扩展温度、扩展湿度、滤网前后压差、冷热通道压差、电加热累计运行时间、加湿器累计运行时间、压缩机转速百分比反馈。
也就是说,可以只针对上述一种参数类型执行所述步骤101的操作。当然,也可以针对上述两种或者两种以上的参数类型分别执行所述步骤101的操作。具体选择怎样的参数或参数组合,可以根据实际监测和预测需要来决定。另外,本发明实施例的工作状态参数也并非仅限于上述所列,暖通系统中其他任何能够用于预测系统健康度的参数应当也都属于本发明实施例的保护范围。
在一可实施方式中,步骤101具体包括:
获得暖通系统中各工作状态参数的历史检测模拟信号;
将各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
模拟信号可由现场的传感器实时采集获得,数字信号及其离散处理是通过A/D转换系统来实现的,历史数据存储于可长期保存数据的二进制信息存储介质中。
举例一:
如果步骤101仅是针对冷凝压力执行的操作,那么获得冷凝压力的时间序列历史数据的过程为:
由暖通系统的传感器实时采集获得冷凝压力的历史检测模拟信号,通过过A/D转换将历史检测模拟信号转换为相应的数字信号,并通过数据离散处理获得相应的历史检测数字信号,将其作为冷凝压力的时间序列历史数据,进而将其存储于可长期保存数据的二进制信息存储介质中(如内存、硬盘、磁盘、U盘等等)。
举例二:
如果步骤101是针对冷却水出水温度和冷机运行百分比执行的操作,那么获得冷却水出水温度和冷机运行百分比的时间序列历史数据的过程为:
由暖通系统的传感器实时采集获得冷却水出水温度的历史检测模拟信号,通过过A/D转换将历史检测模拟信号转换为相应的数字信号,并通过数据离散处理获得相应的历史检测数字信号,将其作为冷却水出水温度的时间序列历史数据,进而将其存储于可长期保存数据的二进制信息存储介质中(如内存、硬盘、磁盘、U盘等等);
由暖通系统的传感器实时采集获得冷机运行百分比的历史检测模拟信号,通过过A/D转换将历史检测模拟信号转换为相应的数字信号,并通过数据离散处理获得相应的历史检测数字信号,将其作为冷机运行百分比的时间序列历史数据,进而将其存储于可长期保存数据的二进制信息存储介质中(如内存、硬盘、磁盘、U盘等等)。
通过上述的实施过程,能够获得暖通系统中各个工作状态参数分别对应的时间序列历史数据。
步骤102,根据获得的暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率。
计算各工作状态参数所对应的多阶故障征兆的转移概率的过程可包括:
分别针对每个工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
针对数值序列中的第i个数据,在第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
由条件概率值[p1、p2、…、pi-2、pi-1]构成了相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,即作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
其中,历史数据的时间序列可以表示如下:1、2、…i-2、i-1、i、i+1、i+2…。
“…i-2、i-1、i、、i个时刻的数字信号后,前面1~i-1时刻也称为第i个时刻的历史时刻;对于第i个时刻所获得的数据,可以计算第i-1、第i-2…、第1个数据出现后第i个数据出现的条件概率值,即[p1、p2、…、pi-2、pi-1];同样的,在获得第i+1个时刻的数字信号后,前面1~i时刻也称为第i+1个时刻的历史时刻;对于第i+1个时刻所获得的数据,可以计算第i、i-1、第i-2…、第1个数据出现后第i+1个数据出现的条件概率值,即[p1、p2、…、pi-2、pi-1、pi];以此类推,针对每个时刻获得的历史数据,都能通过上述方法计算获得对应该时刻的工作状态参数的多阶故障征兆的转移概率矩阵,对应每个时刻的转移概率矩阵都是由相应的条件概率值组成的一维矩阵。
需要说明的是,针对不同的工作状态参数类型,步骤102的操作是针对各工作状态参数类型分别执行的。
步骤103,根据各工作状态参数所对应的多阶故障征兆的转移概率,计算获得暖通系统的健康度信息。
在一实施过程中,步骤103的具体实施过程为:
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将所述暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
其中,线性组合为求和、求积或求均值。
例如:针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求和,将求和结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求和,并将求和结果确定为相应暖通系统的健康度的值;
或者,针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求积,将求积结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求积,并将求积结果确定为相应暖通系统的健康度的值;
或者,针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求均值,将求均值结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求均值,并将求均值结果确定为相应暖通系统的健康度的值。
如计算某一时刻的暖通系统的健康度信息,需要将对应时刻下每种工作状态参数多阶故障征兆的转移概率矩阵中的所有概率值分别求和/求积/求均值,将求和/求积/求均值结果确定为相应工作状态参数在对应时刻的健康度的值;再将对应时刻下暖通系统中所有工作状态参数的健康度的值求和/求积/求均值,从而将求和/求积/求均值结果确定为暖通系统在对应时刻下的健康度的值,即为所述健康度信息。
由此可见,暖通系统在各个不同时刻下的健康度的值最终组成一条反应暖通系统健康度的曲线,通过该曲线能够充分反应暖通系统的健康度变化趋势,并能很好的预测暖通系统发生潜在故障的风险。
需要说明的是,本发明实施例给出了健康度值的三种计算方式:求和、求积、求均值。当然,本发明实施例并非仅限于以上三种计算方式,实际应用中任何可利用转移概率矩阵中的概率值计算用于评价暖通系统健康度的信息的方法应当都属于本发明实施例的保护范围。
实施例二
如图2所示,本发明实施例二所提供的一种暖通系统的健康度预测方法,在上述实施例一的步骤103之后,还包括:
步骤104,根据健康度信息分析确定潜在故障源信息。具体为:
预设有多阶故障征兆的转移概率矩阵中各阶故障征兆所对应的故障源信息;
根据健康度对应的多阶故障征兆的转移概率矩阵,计算得到相应故障源导致目标故障发生的概率信息。
对暖通系统的健康度曲线进行分析,如果健康度曲线中反应的变化趋势以及健康度的值满足预设的故障预警条件,则判定存在潜在故障风险。在实际应用中,可以根据实际运行经验数据,预设转移概率矩阵中各阶故障征兆所对应的故障源信息,那么,就可以根据健康度对应的多阶故障征兆的转移概率矩阵,来计算得到相应故障源导致目标故障发生的概率信息,从而根据故障源导致目标故障发生的概率信息来确定潜在的故障源,从而有利于在故障发生之前通过数据分析获得潜在的故障源,做到防患于未然。
实施例三
对应本发明实施例的暖通系统的健康度预测方法,本发明实施例还提供了一种暖通系统的健康度预测系统,如图3所示,该系统主要包括:
历史数据获得单元10,用于获得暖通系统中各工作状态参数的时间序列历史数据,工作状态参数包括至少一种参数类型;
征兆发生概率获得单元20,用于根据获得的暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;
健康度信息获得单元30,用于根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得暖通系统的健康度信息。
在一可实施方式中,历史数据获得单元10包括:
模拟信号获得子单元11,用于获得暖通系统中各工作状态参数的历史检测模拟信号;
离散处理子单元12,用于将各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
在另一可实施方式中,征兆发生概率获得单元20包括:
排序子单元21,用于分别针对每个工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
条件概率计算子单元22,用于针对数值序列中的第i个数据,在第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后所述第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
矩阵获得子单元23,用于将所述条件概率值[p1、p2、…、pi-2、pi-1]构成的相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
在另一可实施方式中,健康度信息获得单元30进一步用于,
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
其中,线性组合可以为求和、求积或求均值。
例如:针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求和,将求和结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求和,并将求和结果确定为相应暖通系统的健康度的值;
或者,针对每工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求积,将求积结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求积,并将求积结果确定为相应暖通系统的健康度的值;
或者,针对每个工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值求均值,将求均值结果确定为相应工作状态参数的健康度的值;将暖通系统中所有工作状态参数的健康度的值求均值,并将求均值结果确定为相应暖通系统的健康度的值。
暖通系统在各个不同时刻下的健康度的值最终组成一条反应暖通系统健康度的曲线,通过该曲线能够充分反应暖通系统的健康度变化趋势,并能很好的预测暖通系统发生潜在故障的风险。
实施例四
如图4所示,实施例四的暖通系统的健康度预测系统在实施例三的基础上还包括:故障源分析单元40,用于根据健康度信息分析确定潜在故障源信息,具体为:
预设有多阶故障征兆的转移概率矩阵中各阶故障征兆所对应的故障源信息;
根据健康度对应的多阶故障征兆的转移概率矩阵,计算得到相应故障源导致目标故障发生的概率信息。
对暖通系统的健康度曲线进行分析,如果健康度曲线中反应的变化趋势以及健康度的值满足预设的故障预警条件,则判定存在潜在故障风险。在实际应用中,可以根据实际运行经验数据,预设转移概率矩阵中各阶故障征兆所对应的故障源信息,那么,就可以根据健康度对应的多阶故障征兆的转移概率矩阵,来计算得到相应故障源导致目标故障发生的概率信息,从而根据故障源导致目标故障发生的概率信息来确定潜在的故障源,从而有利于在故障发生之前通过数据分析获得潜在的故障源,做到防患于未然。
实施例五
下面以工作状态参数为压缩机转速百分比反馈为例,进一步详细阐述本发明实施例的暖通系统的健康度预测方法在实际场景中的应用方案。
首先,针对暖通系统,记录其压缩机转速百分比反馈的时间序列历史数据,具体过程为:由暖通系统的传感器实时采集获得相应的历史检测模拟电压信号,通过过A/D转换将历史检测模拟电压信号转换为相应的数字电压信号,并通过数据离散处理获得相应的历史检测数字电压信号,将其作为压缩机转速百分比反馈的时间序列历史数据,进而将其存储于可长期保存数据的二进制信息存储介质中。
其次,根据压缩机转速百分比反馈的时间序列历史数据,计算其对应的多阶故障征兆的转移概率,具体过程为:
将压缩机转速百分比反馈的历史检测数字信号的对应数值分别按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
根据压缩机转速百分比反馈的数值序列{q1、q2、…、qn-1、qn},计算各个时刻数据的条件概率值[p1、p2、…、pi-2、pi-1];
由每个时刻的条件概率值[p1、p2、…、pi-2、pi-1]构成的一维矩阵,即作为相应压缩机转速百分比反馈在不同时刻的多阶故障征兆的转移概率矩阵。
然后,根据压缩机转速百分比反馈的转移概率矩阵,对转移概率矩阵中的所有概率值分别求和,将求和结果确定为暖通系统在相应时刻的整体健康度的值。
最终,暖通系统在各个不同时刻下的健康度的值组成一条反应暖通系统健康度的曲线,通过该曲线能够充分反应暖通系统的健康度变化趋势,并能很好的预测暖通系统发生潜在故障的风险。
实施例六
下面以由工作状态参数为电加热累计运行时间、压缩机累计运行时间和风机累计运行时间为例,进一步详细阐述本发明实施例的暖通系统的健康度预测方法在实际场景中的应用方案。
首先,针对暖通系统中的电加热累计运行时间、压缩机累计运行时间和风机累计运行时间,分别记录其时间序列历史数据,具体过程为:由电加热累计运行时间、压缩机累计运行时间和风机累计运行时间的传感器实时采集获得相应的历史检测模拟信号,通过过A/D转换将历史检测模拟信号转换为相应的数字信号,并通过数据离散处理获得相应的历史检测数字信号,将其分别作为电加热累计运行时间、压缩机累计运行时间和风机累计运行时间的时间序列历史数据,进而将其存储于可长期保存数据的二进制信息存储介质中。
其次,根据电加热累计运行时间、压缩机累计运行时间和风机累计运行时间各自的时间序列历史数据,分别计算其对应的多阶故障征兆的转移概率,具体过程为:
将电加热累计运行时间、压缩机累计运行时间和风机累计运行时间各自的历史检测数字信号的对应数值分别按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
根据电加热累计运行时间、压缩机累计运行时间和风机累计运行时间各自的数值序列{q1、q2、…、qn-1、qn},计算各个时刻数据的条件概率值[p1、p2、…、pi-2、pi-1];
由每个时刻的条件概率值[p1、p2、…、pi-2、pi-1]构成的一维矩阵,即分别作为相应电加热累计运行时间、压缩机累计运行时间和风机累计运行时间在不同时刻的多阶故障征兆的转移概率矩阵。
然后,根据电加热累计运行时间、压缩机累计运行时间和风机累计运行时间各自的转移概率矩阵,对各自转移概率矩阵中的所有概率值分别求和,将求和结果分别确定为相应电加热累计运行时间、压缩机累计运行时间和风机累计运行时间的健康度的值;再将电加热累计运行时间、压缩机累计运行时间和风机累计运行时间的健康度的值再求和,从而将最终求和结果确定为暖通系统在相应时刻的整体健康度的值。
最终,暖通系统在各个不同时刻下的健康度的值组成一条反应暖通系统健康度的曲线,通过该曲线能够充分反应暖通系统的健康度变化趋势,并能很好的预测暖通系统发生潜在故障的风险。
另外,对暖通系统的健康度曲线进行分析,如果健康度曲线中反应的变化趋势以及健康度的值满足预设的故障预警条件,则判定存在潜在故障风险。在实际应用中,可以根据实际运行经验数据,预设转移概率矩阵中各阶故障征兆所对应的故障源信息,那么,就可以根据健康度对应的多阶故障征兆的转移概率矩阵,来计算得到相应故障源导致目标故障发生的概率信息,从而根据故障源导致目标故障发生的概率信息来确定潜在的故障源,从而有利于在故障发生之前通过数据分析获得潜在的故障源。
本发明实施例还提供了一种计算机可读存储介质,该介质包括一组计算机可执行指令,当该指令被执行时用于实施本发明实施例所述的暖通系统的健康度预测方法。
综上所述,通过实施本发明的实施例,能够做到对暖通系统准确有效的健康度预测,能准确直观的预测故障,直观有效的获得暖通系统的健康度变化状况和趋势分析结果;另外,通过根据暖通系统的实际运行经验预设多阶故障征兆的转移概率矩阵中各阶故障征兆所对应的故障源信息,能够根据多阶故障征兆的转移概率矩阵计算得到相应故障源导致目标故障发生的概率信息,从而能够确定潜在的故障源信息,实现故障源的可预测和可追溯。
另外还需要说明的是,本发明实施例中的工作状态参数的选取是经过验证可用于暖通系统的健康度预测的参数,本发明实施例也并不仅限于以上所列参数,实际应用中可用作暖通系统的健康度预测的其他未列参数应当也都属于本发明实施例的保护范围。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种暖通系统的健康度预测方法,其特征在于,所述方法包括:
获得暖通系统中工作状态参数的时间序列历史数据,所述工作状态参数中包括至少一种类型的工作状态参数;
根据获得的所述暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;
根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得所述暖通系统的健康度信息。
2.根据权利要求1所述的方法,其特征在于,所述获得暖通系统中工作状态参数的时间序列历史数据,包括:
获得暖通系统中各工作状态参数的历史检测模拟信号;
将所述各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
3.根据权利要求2所述的方法,其特征在于,所述计算各工作状态参数所对应的多阶故障征兆的转移概率,包括:
分别针对每种工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
针对所述数值序列中的第i个数据,在所述第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后所述第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
所述条件概率值[p1、p2、…、pi-2、pi-1]构成了相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,即作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
4.根据权利要求3所述的方法,其特征在于,所述根据各工作状态参数所对应的多阶故障征兆的转移概率,计算获得工作状态参数的健康度信息,包括:
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将所述暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
5.根据权利要求4所述的方法,其特征在于,所述线性组合为求和、求积或求均值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述工作状态参数包括以下参数类型中的至少之一:机组累计运行时间、压缩机累计运行时间、冷机运行百分比、冷冻水出水温度、冷冻水进水温度、冷却水出水温度、冷却水进出温度、冷凝压力、蒸发压力、蒸发器饱和温度、冷凝器饱和温度、冷凝器小温差、蒸发器小温差、油压、油温、压缩机启停次数、压缩机喘震次数、冷机运行频率、冷机输出功率、机组累计运行时间、风机累计运行时间、压缩机累计运行时间、风机转速百分比反馈、回风温度、送风温度、回风湿度、送风湿度、扩展温度、扩展湿度、滤网前后压差、冷热通道压差、电加热累计运行时间、加湿器累计运行时间、压缩机转速百分比反馈。
7.一种暖通系统的健康度预测系统,其特征在于,所述系统包括:
历史数据获得单元,用于获得暖通系统中各工作状态参数的时间序列历史数据,所述工作状态参数中包括至少一种类型的工作状态参数;
征兆发生概率获得单元,用于根据获得的所述暖通系统中工作状态参数的时间序列历史数据,计算各工作状态参数所对应的多阶故障征兆的转移概率;
健康度信息获得单元,用于根据所述各工作状态参数所对应的多阶故障征兆的转移概率,计算获得所述暖通系统的健康度信息。
8.根据权利要求7所述的系统,其特征在于,所述历史数据获得单元包括:
模拟信号获得子单元,用于获得暖通系统中各工作状态参数的历史检测模拟信号;
离散处理子单元,用于将所述各工作状态参数的历史检测模拟信号进行离散处理转换为相应的历史检测数字信号作为工作状态参数的时间序列历史数据。
9.根据权利要求8所述的系统,其特征在于,所述征兆发生概率获得单元包括:
排序子单元,用于分别针对每个工作状态参数,将其历史检测数字信号的对应数值按时间序列进行排列,得到按时间排序的数值序列{q1、q2、…、qn-1、qn};
条件概率计算子单元,用于针对所述数值序列中的第i个数据,在所述第i个数据所处的状态为已知的条件下,分别计算第i-1、第i-2…、第1个数据出现后所述第i个数据出现的条件概率值[p1、p2、…、pi-2、pi-1];其中,1<i≤n;
矩阵获得子单元,用于将所述条件概率值[p1、p2、…、pi-2、pi-1]构成的相应工作状态参数的多阶故障征兆的转移概率的一维矩阵,作为相应工作状态参数的多阶故障征兆的转移概率矩阵。
10.根据权利要求9所述的系统,其特征在于,所述健康度信息获得单元进一步用于,
针对每种工作状态参数,将其多阶故障征兆的转移概率矩阵中的所有概率值线性组合,将线性组合结果确定为相应工作状态参数的健康度的值相应工作状态参数的健康度的值;
将所述暖通系统中所有工作状态参数的健康度的值再次线性组合,并将线性组合结果确定为相应暖通系统的健康度的值。
11.根据权利要求10所述的系统,其特征在于,所述线性组合为求和、求积或求均值。
12.根据权利要求7-11任一项所述的系统,其特征在于,所述工作状态参数包括以下参数类型中的至少之一:机组累计运行时间、压缩机累计运行时间、冷机运行百分比、冷冻水出水温度、冷冻水进水温度、冷却水出水温度、冷却水进出温度、冷凝压力、蒸发压力、蒸发器饱和温度、冷凝器饱和温度、冷凝器小温差、蒸发器小温差、油压、油温、压缩机启停次数、压缩机喘震次数、冷机运行频率、冷机输出功率、机组累计运行时间、风机累计运行时间、压缩机累计运行时间、风机转速百分比反馈、回风温度、送风温度、回风湿度、送风湿度、扩展温度、扩展湿度、滤网前后压差、冷热通道压差、电加热累计运行时间、加湿器累计运行时间、压缩机转速百分比反馈。
13.一种计算机可读存储介质,所述介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-6任一项所述的暖通系统的健康度预测方法。
CN201910477283.1A 2019-06-03 2019-06-03 暖通系统的健康度预测方法、系统和计算机可读存储介质 Active - Reinstated CN110163451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910477283.1A CN110163451B (zh) 2019-06-03 2019-06-03 暖通系统的健康度预测方法、系统和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910477283.1A CN110163451B (zh) 2019-06-03 2019-06-03 暖通系统的健康度预测方法、系统和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110163451A true CN110163451A (zh) 2019-08-23
CN110163451B CN110163451B (zh) 2020-06-12

Family

ID=67627484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910477283.1A Active - Reinstated CN110163451B (zh) 2019-06-03 2019-06-03 暖通系统的健康度预测方法、系统和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110163451B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110953687A (zh) * 2019-10-10 2020-04-03 珠海派诺科技股份有限公司 一种空调的健康度评价方法、系统及存储介质
CN115307670A (zh) * 2022-10-12 2022-11-08 蘑菇物联技术(深圳)有限公司 用于定位中央空调系统异常传感器的方法、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760287A (zh) * 2016-02-19 2016-07-13 浪潮(北京)电子信息产业有限公司 一种计算机系统错误的预测方法及装置
US20160223218A1 (en) * 2015-01-30 2016-08-04 Schneider Electric It Corporation Automated control and parallel learning hvac apparatuses, methods and systems
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
US20190077217A1 (en) * 2017-09-14 2019-03-14 Lin Yu Vehicle interior environment control

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223218A1 (en) * 2015-01-30 2016-08-04 Schneider Electric It Corporation Automated control and parallel learning hvac apparatuses, methods and systems
CN105760287A (zh) * 2016-02-19 2016-07-13 浪潮(北京)电子信息产业有限公司 一种计算机系统错误的预测方法及装置
US20190077217A1 (en) * 2017-09-14 2019-03-14 Lin Yu Vehicle interior environment control
CN107742193A (zh) * 2017-11-28 2018-02-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曲辰飞 等: "智能建筑暖通空调系统故障检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110953687A (zh) * 2019-10-10 2020-04-03 珠海派诺科技股份有限公司 一种空调的健康度评价方法、系统及存储介质
CN110953687B (zh) * 2019-10-10 2021-11-02 珠海派诺科技股份有限公司 一种空调的健康度评价方法、系统及存储介质
CN115307670A (zh) * 2022-10-12 2022-11-08 蘑菇物联技术(深圳)有限公司 用于定位中央空调系统异常传感器的方法、设备和介质
CN115307670B (zh) * 2022-10-12 2023-01-13 蘑菇物联技术(深圳)有限公司 用于定位中央空调系统异常传感器的方法、设备和介质

Also Published As

Publication number Publication date
CN110163451B (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
Li et al. A review of virtual sensing technology and application in building systems
EP2862033B1 (en) Method and system for determining life consumption of a mechanical part
US11048247B2 (en) Building management system to detect anomalousness with temporal profile
CN105320727A (zh) 用于检测实时序列中的异常的方法
JP4873985B2 (ja) 設備機器用故障診断装置
US9256846B2 (en) System and method for performance monitoring of a population of equipment
CN101069353B (zh) 工业数据压缩系统和方法
WO2013011745A1 (ja) 設備状態監視方法およびその装置
CN103902643A (zh) 事件解析装置、存储介质、及事件解析方法
CN110163451A (zh) 暖通系统的健康度预测方法、系统和计算机可读存储介质
EP3584657B1 (en) Risk assessment device, risk assessment method, and risk assessment program
Belman-Flores et al. Analysis of a variable speed vapor compression system using artificial neural networks
EP3584656B1 (en) Risk assessment device, risk assessment method, and risk assessment program
CN110363339B (zh) 一种基于电机参数进行预测性维护的方法与系统
CN104571077A (zh) 设备的监视诊断装置
KR20200052437A (ko) 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치
EP3598258B1 (en) Risk assessment device, risk assessment system, risk assessment method, and risk assessment program
CN107891750A (zh) 一种车辆的冷却水温度显示方法及显示系统
CN117171596B (zh) 一种压力变送器的在线监测方法及系统
CN109643114A (zh) 传感器诊断装置、传感器诊断方法及程序
US20170286841A1 (en) Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
US20180075631A1 (en) Heat map display apparatus and heat map display method
CN110161418A (zh) 蓄电池的健康度预测方法、系统和计算机可读存储介质
EP3614221B1 (en) Risk evaluation device, risk evaluation system, risk evaluation method, risk evaluation program, and data structure
WO2020146349A1 (en) Systems and methods for providing persona-adjusted data

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: 20200612

Termination date: 20210603

CF01 Termination of patent right due to non-payment of annual fee
RR01 Reinstatement of patent right

Former decision: Termination of patent rights for unpaid annual fees

Former decision publication date: 20220517

RR01 Reinstatement of patent right
TR01 Transfer of patent right

Effective date of registration: 20230413

Address after: 405, West Block, Building 1, Shuntai Plaza, High-tech Zone, Jinan, Shandong Province, 250000

Patentee after: Yunke (Shandong) Electronic Technology Co.,Ltd.

Address before: 100012 411, 4th floor, building 5, yard 19, Beiyuan East Road, Chaoyang District, Beijing

Patentee before: Beijing Zhongke Austria Creation Technology Co.,Ltd.

TR01 Transfer of patent right