CN110425694B - 基于phm的高铁智能车站暖通空调能效控制管理方法 - Google Patents
基于phm的高铁智能车站暖通空调能效控制管理方法 Download PDFInfo
- Publication number
- CN110425694B CN110425694B CN201910737591.3A CN201910737591A CN110425694B CN 110425694 B CN110425694 B CN 110425694B CN 201910737591 A CN201910737591 A CN 201910737591A CN 110425694 B CN110425694 B CN 110425694B
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- time sequence
- phm
- energy efficiency
- 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.)
- Active
Links
Images
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于故障分析技术领域,公开了一种基于PHM的高铁智能车站暖通空调能效控制管理方法。该方法包括:获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;根据所述时间戳生成时间序列;判断所述时间序列是否平稳;在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测。通过上述方式,在成本不增加的情况下,提高了铁路设备管理的智能化水平。
Description
技术领域
本发明涉及故障分析技术领域,尤其涉及一种基于PHM的高铁智能车站暖通空调能效控制管理方法。
背景技术
现有技术中,对于暖通空调的故障诊断主要基于传感器诊断、软件诊断、案例分析、故障树分析等传统的故障检测技术,工作人员往往需要借助手提式诊断设备对空调系统中可能出现的问题进行检测,相较于传统的故障后维修或定期检修这类基于当前健康状态的故障检测与诊断技术,PHM是对未来健康状态的预测,变被动式的维修活动为先导性的维护保障活动,大大提高了装备状态的完好性。
国内关于PHM技术的研究起步较晚,但也开展了大量的工作,并取得了一些成果。我国高铁PHM系统正待落地,并且将率先应用在关键设备的预测性维护场景中,其中,我国高速铁路正在建立智能车站,暖通空调作为智能车站的关键设备,具有应用PHM技术进行故障预测与健康管理的条件。
随着研究的不断深入,最终目标是全系统的PHM。至2020年我国高铁运营总里程将达到3万公里,占全世界高速铁路运行总里程的2/3,这就意味着铁路管理部门将面临着巨大的维修保障工作量和维修成本,所以采用PHM技术来提高铁路设备管理的智能化水平、降低维护成本是非常必要的。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于PHM的高铁智能车站暖通空调能效控制管理方法,旨在解决设备的故障诊断和预测方法的技术问题。
为实现上述目的,本发明提供了一种基于PHM的高铁智能车站暖通空调能效控制管理方法,所述方法包括以下步骤:
获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;
根据所述时间戳生成时间序列;
判断所述时间序列是否平稳;
在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测。
优选地,所述获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之前,所述方法还包括:
获取设于待预测设备上各待选传感器的基础信息数据;
根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述有效传感器作为预设传感器。
优选地,所述获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之后,所述方法还包括:
通过定时器对所述预设传感器进行轮询直至获取预设传感器对应的有效数据及时间戳;
在所述有效数据发生变化时,判断所述有效数据对应的时间戳是否发生变化;
在所述时间戳发生变化时,将所述定时器对所述预设传感器轮询获取预设传感器对应的有效数据及时间戳进行替换。
优选地,所述根据所述时间戳生成时间序列的步骤,包括:
判断所述时间序列对应的有效数据是否存在缺失数据;
在所述时间序列对应的有效数据存在缺失数据时,,获取所述缺失数据所在列的相邻数据前值以及相邻数据后值;
计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据;
将完整有效数据对应的时间戳进行降序排列,获得时间序列。
优选地,所述判断所述时间序列是否平稳的步骤之后,所述方法还包括:
在所述时间序列不平稳时,对所述时间序列进行预设差分分析,将所述时间序列进行平稳化处理;
通过预设函数模型判断处理后的时间序列是否平稳。
优选地,所述在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测的步骤,包括:
从所述时间序列中读取对应的时间戳;
获取所述时间戳对应的有效数据;
将所述有效数据输入至预设分类模型中进行故障预测。
优选地,所述将所述有效数据输入至预设分类模型中进行故障预测的步骤之后,所述方法还包括:
根据故障预测结果,通过预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据;
根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测。
此外,为实现上述目的,本发明还提出一种基于PHM的高铁智能车站暖通空调能效控制管理装置,所述装置包括:采集模块,还用于获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;
生成模块,还用于根据所述时间戳生成时间序列;
判断模块,还用于判断所述时间序列是否平稳;
预测模块,还用于在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测。
此外,为实现上述目的,本发明还提出一种电子设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于PHM的高铁智能车站暖通空调能效控制管理程序,所述基于PHM的高铁智能车站暖通空调能效控制管理程序配置为实现如上文所述的基于PHM的高铁智能车站暖通空调能效控制管理方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机存储介质上存储有基于PHM的高铁智能车站暖通空调能效控制管理程序,所述基于PHM的高铁智能车站暖通空调能效控制管理程序被处理器执行时实现如上文所述的基于PHM的高铁智能车站暖通空调能效控制管理方法的步骤。
本发明在获取设于待预测设备上的预设传感器所采集的有效数据及时间戳,然后根据所述时间戳生成时间序列,通过判断所述时间序列是否平稳,在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测,有效的解决了设备的故障诊断与预测的技术问题,在成本不增加的情况下,提高了铁路设备管理的智能化水平。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图;
图2为本发明基于PHM的高铁智能车站暖通空调能效控制管理方法方法第一实施例的流程示意图;
图3为采集存储设计方案图;
图4为非平稳时间序列转化为平稳时间序列图;
图5为本发明基于PHM的高铁智能车站暖通空调能效控制管理方法方法第二实施例的流程示意图;
图6为基于神经网络和滑动窗分割法的健康评估管理图;
图7为本发明基于PHM的高铁智能车站暖通空调能效控制管理方法装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于PHM的高铁智能车站暖通空调能效控制管理程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电子设备中的处理器1001、存储器1005可以设置在基于PHM的高铁智能车站暖通空调能效控制管理设备中,所述电子设备通过处理器1001调用存储器1005中存储的基于PHM的高铁智能车站暖通空调能效控制管理程序,并执行本发明实施例提供的基于PHM的高铁智能车站暖通空调能效控制管理方法。
本发明实施例提供了一种基于PHM的高铁智能车站暖通空调能效控制管理方法,参照图2,图2为本发明一种基于PHM的高铁智能车站暖通空调能效控制管理方法第一实施例的流程示意图。
本实施例中,所述基于PHM的高铁智能车站暖通空调能效控制管理方法包括以下步骤:
步骤S10:获取设于待预测设备上的预设传感器所采集的有效数据及时间戳。
需要说明的是,对传感器在空调各子系统进行选点布置,其中包括,风门、空气过滤器、冷凝器、制冷线圈、风扇、水泵、冷却塔、加热装置、管道系统、可变凤箱、扩散器等子系统,并通过BACnet协议或ModBus-RTU协议实时地采集所述传感器对应的温湿度、二氧化碳、压力、电压、电流、能耗等数据,将所述数据存储在故障预测与健康管理(PHM)系统中。
应理解的是,在获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之前,还需要获取设于待预测设备上各待选传感器的基础信息数据,之后,将采集的基础信息数据进行区分种类和来源,如表1所示,根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述传感器作为预设传感器。
ID | NAME |
1515664405517001 | 暖通空调能耗监测 |
1515664405517003 | 温度传感器 |
1515741722815000 | 湿度传感器 |
1515664405517002 | 压力传感器 |
1515741040201002 | 电压传感器(霍尔) |
1515741040201003 | 电流传感器 |
1515741040201006 | 制冷剂管路流量 |
表1 ID号对应的传感器
此外,需要说明的是,为了便于理解,以下进行举例说明:
在进行有效数据采集任务启动后,启动定时器轮询,访问站场级应用直至获取到有效数据才停止轮询,当获取到有效数据时,需要同时获取所述有效数据对应的时间戳保存在PHM系统中,作为有效数据是否变化的标识,在所述有效数据发生变化时,如果有效数据在站场级应用的PHM系统中发生修改,则在采集有效数据推送至计算引擎时,根据其返回的时间戳若大于节能采集PHM系统中保存的时间戳,则启动定时器轮询,直至重新获取有效数据,并更新所述有效数据对应的时间戳。
此外,应理解的是,在获取不到有效数据时,可能是数据采集系统无法连通站场级应用的PHM系统,此时,应抛出异常,同时继续使用定时器轮询,并做日志记录,提示蓝色告警,若是网络通畅,但无法采集数据时,也需要做日志记录,并提示红色警告。
此外,需要说明的是,在完成上述有效数据采集过程之后,采用Hadoop分布式文件系统(HDFS)存储上述过程采集的有效数据,将结构化的传感器数据文件映射为一张Hive数据库表格,采集存储设计方案如图3所示。Hive是一种底层封装了Hadoop的数据仓库处理工具,使用类SQL的HiveQL语言实现数据查询,所有Hive表中的数据都存储在Hadoop兼容的文件系统HDFS中,Hive在加载数据过程中不会对数据进行任何的修改,只是将数据移动到HDFS中Hive设定的目录下。
步骤S20:根据所述时间戳生成时间序列。
需要说明的是,判断所述时间序列对应的有效数据是否存在缺失数据,在所述时间序列对应的有效数据存在缺失数据时,获取所述缺失数据所在列的相邻数据前值以及相邻数据后值,计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据,将完整有效数据对应的时间戳进行降序排列,获得时间序列。
此外,为了便于理解,以下进行举例说明:
由于传感器受临时断电、设备重启或外界干扰时,在某特定时刻可能会出现数据缺失现象,如表2所示,此时,在该传感器VALUE字段会出现NAN值表示缺失该时刻采样值。为此,需要对缺失数据按照前后两条记录做线性插值预处理,并取整后作为该时刻采集值处理,在补充缺失数据预处理后,需要按照有效传感器获取有效数据对应的时间戳得到时间序列。
表2 缺失数据
步骤S30:判断所述时间序列是否平稳。
需要说明的是,将所述时间戳进行升序排列,获得时间序列,之后,对缺失数据进行插值处理,判断所述时间序列是否平稳。
应理解的是,在判断所述时间序列是否平稳的步骤之后,在所述时间序列不平稳时,对所述时间序列进行预设差分分析,获得新的时间序列,通过预设函数模型判断所述新的时间序列是否平稳,在所述新的时间序列不平稳时,对所述新的时间序列重新进行预设差分分析,直至所述新的时间序列平稳。
此外,为了便于理解,以下进行举例说明:
判断时间序列的平稳性,若非平稳,则需对序列进行差分分析,使其平稳化,之后通过自相关函数和偏自相关函数来判断序列是否为平稳序列,若不平稳,则继续做平稳处理后重新判断。例如:使用单位根检验(ADF)如下表中时间序列是否平稳,若序列是平稳的,则不存在单位根,adftest函数返回值为1,否则就会存在单位根,adftest函数返回值为0。如表3所示。
表3 时间序列
对上述数据进行平稳性判断时,adftest函数返回值为0,为非平稳序列,需要通过差分整合移动平均自回归ARIMA将非平稳时间序列数据转化为平稳时间序列数据。如图4所示。
步骤S40:在所述时间序列平稳时,将所述时间戳对应的有效数据输入至预设分类模型中进行故障预测。
需要说明的是,查找所述时间序列中对应的时间戳,获取所述时间戳对应的有效数据,将所述有效数据输入至预设分类模型中进行故障预测。
此外,应理解的是,对SVM分类模型中的输入有效数据进行估计,最后将模型输入有效数据作为SVM分类模型的输入,对设备即将发生的故障开展分类预测。
在SVM分类模型中,模型中的输入有效数据定义包括如表4所示:
ID | NAME | PARAMETER |
1515664405517001 | 暖通空调能耗监测 | X1 |
1515664405517003 | 温度传感器 | X2 |
1515741722815000 | 湿度传感器 | X3 |
1515664405517002 | 压力传感器 | X4 |
1515741040201002 | 电压传感器(霍尔) | X5 |
1515741040201003 | 电流传感器 | X6 |
1515741040201006 | 制冷剂管路流量 | X7 |
表4 分类模型
在利用SVM模型进行分类时,需要根据故障类型对模型参数X1-X7进行估计,即针对不同故障进行分类故障诊断预测时,模型的输入参数不同。
例如在对换热器结垢、制冷剂管路堵塞等不良健康状态进行故障诊断预测分类时,需要使用X2、X4、X5、X6、X7作为输入参数,而对于循环水泵停转、换热器风机停转等进行故障诊断预测分类时,需使用X1、X2、X3、X7作为输入参数等,之后基于预设模型将上述获得参数进行故障分类预测,根据选择的有效数据,可以判断属于哪种故障类型。
上述预测结果一旦预测到即将发生故障,则将结果发送至连接的报警装置,用于在所述预测系统根据所述实时有效数据判断预测出故障时,由所述报警装置发出报警信号。例如,报警装置将发出无线报警信号到预设置的高铁智能车站暖通空调PHM系统终端,从而能够远程通知管理人员,及时处理故障。
此外,应理解的是,为了便于理解,对故障分类进行举例说明:
暖通空调系统故障可分为两大类:一类是硬故障,另一类是软故障。故障有全局性,也有仅造成局部影响的故障,它们对整个暖通空调系统运行的影响程度也各不相同。
硬故障主要是指设备及装置器件完全失效的故障,例如风机突然停机、皮带断裂、传感器没有输出信号或输出坏数据、阀门完全堵塞等。从故障发生的时间进程看,这类故障为突发性故障,故障较大,因此比较容易检测。
软故障是指设备装置性能下降或部分失效的各种故障,例如风机盘管的结垢(盘管逐渐堵塞)、阀门关闭时的泄漏、仪器仪表的漂移等。软故障一般是渐进性的,在发生之前所表现的征兆不明显,初期往往难以被检测到。事实上,渐进性的故障是由于系统参数的逐步恶化而产生的,从某种意义上讲,软故障的危害比硬故障更大。
暖通空调设备在使用一段时间之后,系统发生的故障多为偶然故障,因此故障特征具有随机性,且故障的发生进程是与时间相关的非平稳的随机过程。这些设备是由各子系统和元部件按一定的规律组合而成的,具有层次性。因此,故障产生会因其层次不同而表现出层次性。另外,暖通空调系统由若干相互关联的子系统构成,某些子系统故障可能是由于与之相关的子系统或环节的故障所引起,称为系统故障的传播性。按照故障发生位置不同,故障可能是设备故障,也可能是传感器故障,既可能是硬故障,也可能是软故障。在同一系统中往往相互交织,增加了暖通空调系统故障诊断的复杂性。
其中,主要针对高铁智能车站暖通空调制冷系统发生的故障进行诊断及预测,暖通空调制冷系统主要由压缩机、换热器、节流装置、换向装置、辅助设备、电气控制、末端装置、冷(热)媒输送等多个子系统组成。对各个子系统的主要故障诊断方法如下:
(1)压缩机非正常停机故障
压缩机非正常停机一般是由于电气故障或压缩机高、低压保护动作引起的。压缩机停机时,整个制冷循环系统被压缩机隔开,制冷剂不再处于循环状态。但此时,冷凝器与外界仍然存在着热交换,制冷剂温度和压力短时间内急剧下降,膨胀阀前后压差下降,制冷剂流量急剧下降并且很快减少至0。蒸发器和冷凝器与外界之间的换热量迅速下降,并且主要以制冷剂变化热为主。
(2)冷凝器侧翅片管换热器风机停转
造成翅片管换热器风机停转的原因有:继电器的烧毁、风机电动机烧毁、皮带损坏以及电气电路故障等。翅片管换热器风机停转之后,空气与冷凝器间换热量急剧下降,蓄积在冷凝器中的热量越来愈多,致使冷凝压力升高,膨胀阀前后压差增大。制冷剂的流量将增加,蒸发器换热量随之增加。
(3)循环水泵停转
循环水泵停转后,水与蒸发器侧的换热方式由以对流换热为主导的换热方式转变为导热方式,换热量骤减,导致蒸发器内制冷剂的内能减少,制冷剂蒸发温度、蒸发压力下降以及蒸发器中制冷剂量累积。由此,冷凝温度、压力下降,制冷剂流量减少。由于系统存在着一定的时滞性,在故障初发期各热力参数变化不是十分明显。
本实施例通过获取设于待预测设备上各待选传感器的基础信息数据,然后根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述有效传感器作为预设传感器,获取预设传感器所采集的有效数据及时间戳,之后,判断所述有效数据及时间戳是否完整,在所述有效数据及时间戳不完整时,获取缺失数据所在列的相邻数据前值以及相邻数据后值,计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据,之后,将完整有效数据对应的时间戳今次那个降序排列,获得时间序列,在所述时间序列平稳时,从所述时间序列中读取对应的时间戳,获取所述时间戳对应的有效数据,将所述有效数据输入至预设分类模型中进行故障预测,实现了通过状态监测进行故障预测,从而能够远程通知管理人员,及时处理故障。
参考图5,图5为本发明一种基于PHM的高铁智能车站暖通空调能效控制管理方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于PHM的高铁智能车站暖通空调能效控制管理方法中所述步骤S40之后还包括两个步骤:
步骤S50:根据故障预测结果,通过预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据。
步骤S60:根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测。
此外,还需理解的是,从上述得到的故障预测结果,根据所述有效数据,通过预设滑动窗分割法计算分割处理数据,根据所述分割处理数据,通过预设神经网络分类算法进行设备寿命预测。
此外,为了便于理解,以下进行举例说明:
在京广高铁长沙南站暖通空调PHM系统设计中,建立了健康评估管理模块。基于京广高铁多年来长沙南站暖通空调设备在各种运行工况下全部传感器的监测数据,使用滑动窗分割法对大量历史监测数据进行了分割处理,并定义了每种工况下窗末样本和终止样本距离为剩余寿命的假设后,使用神经网络分类算法建立了分类模型,可对某一时刻内的指定运行工况下暖通空调设备的健康状态和剩余寿命进行评估和预测分析,如图6所示。
本实施例根据预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据,之后根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测,对设备的健康状态和剩余寿命进行估计和预测分析,从而实现了对设备的健康状态进行有效的评估管理及系统的全生命周期综合评估健康管理。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于PHM的高铁智能车站暖通空调能效控制管理程序,所述基于PHM的高铁智能车站暖通空调能效控制管理程序被处理器执行时实现如上文所述的基于PHM的高铁智能车站暖通空调能效控制管理方法的步骤。
参照图7,图7为本发明基于PHM的高铁智能车站暖通空调能效控制管理装置第一实施例的结构框图。
如图7所示,本发明实施例提出的基于PHM的高铁智能车站暖通空调能效控制管理装置包括:采集模块4001、生成模块4002、判断模块4003及预测模块4004。
其中,采集模块4001,用于获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;生成模块4002,用于根据所述时间戳生成时间序列;判断模块4003,用于判断所述时间序列是否平稳;预测模块4004,用于在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测。
为了便于理解采集模块4001在获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的操作,以下给出一种具体的实现方式,大致如下:
需要说明的是,对传感器在空调各子系统进行选点布置,其中包括,风门、空气过滤器、冷凝器、制冷线圈、风扇、水泵、冷却塔、加热装置、管道系统、可变凤箱、扩散器等子系统,并通过BACnet协议或ModBus-RTU协议实时地采集所述传感器对应的温湿度、二氧化碳、压力、电压、电流、能耗等数据,将所述数据存储在故障预测与健康管理(PHM)系统中。
应理解的是,在获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之前,还需要获取设于待预测设备上各待选传感器的基础信息数据,之后,将采集的基础信息数据进行区分种类和来源,如表1所示,根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述传感器作为预设传感器。
ID | NAME |
1515664405517001 | 暖通空调能耗监测 |
1515664405517003 | 温度传感器 |
1515741722815000 | 湿度传感器 |
1515664405517002 | 压力传感器 |
1515741040201002 | 电压传感器(霍尔) |
1515741040201003 | 电流传感器 |
1515741040201006 | 制冷剂管路流量 |
表1 ID号对应的传感器
此外,需要说明的是,为了便于理解,以下进行举例说明:
在进行有效数据采集任务启动后,启动定时器轮询,访问站场级应用直至获取到有效数据才停止轮询,当获取到有效数据时,需要同时获取所述有效数据对应的时间戳保存在PHM系统中,作为有效数据是否变化的标识,在所述有效数据发生变化时,如果有效数据在站场级应用的PHM系统中发生修改,则在采集有效数据推送至计算引擎时,根据其返回的时间戳若大于节能采集PHM系统中保存的时间戳,则启动定时器轮询,直至重新获取有效数据,并更新所述有效数据对应的时间戳。
此外,应理解的是,在获取不到有效数据时,可能是数据采集系统无法连通站场级应用的PHM系统,此时,应抛出异常,同时继续使用定时器轮询,并做日志记录,提示蓝色告警,若是网络通畅,但无法采集数据时,也需要做日志记录,并提示红色警告。
此外,需要说明的是,在完成上述有效数据采集过程之后,采用Hadoop分布式文件系统(HDFS)存储上述过程采集的有效数据,将结构化的传感器数据文件映射为一张Hive数据库表格,采集存储设计方案如图3所示。Hive是一种底层封装了Hadoop的数据仓库处理工具,使用类SQL的HiveQL语言实现数据查询,所有Hive表中的数据都存储在Hadoop兼容的文件系统HDFS中,Hive在加载数据过程中不会对数据进行任何的修改,只是将数据移动到HDFS中Hive设定的目录下。
此外,为了便于理解所述生成模块4002在根据所述时间戳生成时间序列的操作,以下给出具体的实现方式,大致如下:
需要说明的是,判断所述时间序列对应的有效数据是否存在缺失数据,在所述时间序列对应的有效数据存在缺失数据时,获取所述缺失数据所在列的相邻数据前值以及相邻数据后值,计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据,将完整有效数据对应的时间戳进行降序排列,获得时间序列。
此外,为了便于理解,以下进行举例说明:
由于传感器受临时断电、设备重启或外界干扰时,在某特定时刻可能会出现数据缺失现象,如表2所示,此时,在该传感器VALUE字段会出现NAN值表示缺失该时刻采样值。为此,需要对缺失数据按照前后两条记录做线性插值预处理,并取整后作为该时刻采集值处理,在补充缺失数据预处理后,需要按照有效传感器获取有效数据对应的时间戳得到时间序列。
ID | NAME | TIME | VALUE |
1515664405517003 | 温度传感器 | 20180905-153200 | 23 |
1515664405517003 | 温度传感器 | 20180905-153300 | 23 |
1515664405517003 | 温度传感器 | 20180905-153400 | NAN |
1515664405517003 | 温度传感器 | 20180905-153500 | 23 |
1515664405517003 | 温度传感器 | 20180905-153600 | 23 |
1515664405517003 | 温度传感器 | 20180905-153700 | 23 |
1515664405517003 | 温度传感器 | 20180905-153800 | 23 |
1515664405517003 | 温度传感器 | 20180905-153900 | 23 |
表2 缺失数据
此外,为了便于理解所述判断模块4003在判断所述时间序列是否平稳的操作,以下给出具体的实现方式,大致如下:
需要说明的是,将所述时间戳进行升序排列,获得时间序列,之后,对缺失数据进行插值处理,判断所述时间序列是否平稳。
应理解的是,在判断所述时间序列是否平稳的步骤之后,在所述时间序列不平稳时,对所述时间序列进行预设差分分析,获得新的时间序列,通过预设函数模型判断所述新的时间序列是否平稳,在所述新的时间序列不平稳时,对所述新的时间序列重新进行预设差分分析,直至所述新的时间序列平稳。
此外,为了便于理解,以下进行举例说明:
判断时间序列的平稳性,若非平稳,则需对序列进行差分分析,使其平稳化,之后通过自相关函数和偏自相关函数来判断序列是否为平稳序列,若不平稳,则继续做平稳处理后重新判断。例如:使用ADF检验如下表中时间序列是否平稳,若序列是平稳的,则不存在单位根,adftest函数返回值为1,否则就会存在单位根,adftest函数返回值为0。如表3所示。
表3 时间序列
对上述数据进行平稳性判断时,adftest函数返回值为0,为非平稳序列,需要通过差分整合移动平均自回归ARIMA将非平稳时间序列数据转化为平稳时间序列数据。如图4所示。
此外,为了便于理解所述预测模块4004在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预设设备进行故障预测的操作,以下给出具体的实现方式,大致如下:
需要说明的是,查找所述时间序列中对应的时间戳,获取所述时间戳对应的有效数据,将所述有效数据输入至预设分类模型中进行故障预测。
此外,应理解的是,对SVM分类模型中的输入有效数据进行估计,最后将模型输入有效数据作为SVM分类模型的输入,对设备即将发生的故障开展分类预测。
在SVM分类模型中,模型中的输入有效数据定义包括如表4所示:
ID | NAME | PARAMETER |
1515664405517001 | 暖通空调能耗监测 | X1 |
1515664405517003 | 温度传感器 | X2 |
1515741722815000 | 湿度传感器 | X3 |
1515664405517002 | 压力传感器 | X4 |
1515741040201002 | 电压传感器(霍尔) | X5 |
1515741040201003 | 电流传感器 | X6 |
1515741040201006 | 制冷剂管路流量 | X7 |
表4 分类模型
在利用SVM模型进行分类时,需要根据故障类型对模型参数X1-X7进行估计,即针对不同故障进行分类故障诊断预测时,模型的输入参数不同。
例如在对换热器结垢、制冷剂管路堵塞等不良健康状态进行故障诊断预测分类时,需要使用X2、X4、X5、X6、X7作为输入参数,而对于循环水泵停转、换热器风机停转等进行故障诊断预测分类时,需使用X1、X2、X3、X7作为输入参数等,之后基于预设模型将上述获得参数进行故障分类预测,根据选择的有效数据,可以判断属于哪种故障类型。
上述预测结果一旦预测到即将发生故障,则将结果发送至连接的报警装置,用于在所述预测系统根据所述实时有效数据判断预测出故障时,由所述报警装置发出报警信号。例如,报警装置将发出无线报警信号到预设置的高铁智能车站暖通空调PHM系统终端,从而能够远程通知管理人员,及时处理故障。
此外,应理解的是,为了便于理解,对故障分类进行举例说明:
暖通空调系统故障可分为两大类:一类是硬故障,另一类是软故障。故障有全局性,也有仅造成局部影响的故障,它们对整个暖通空调系统运行的影响程度也各不相同。
硬故障主要是指设备及装置器件完全失效的故障,例如风机突然停机、皮带断裂、传感器没有输出信号或输出坏数据、阀门完全堵塞等。从故障发生的时间进程看,这类故障为突发性故障,故障较大,因此比较容易检测。
软故障是指设备装置性能下降或部分失效的各种故障,例如风机盘管的结垢(盘管逐渐堵塞)、阀门关闭时的泄漏、仪器仪表的漂移等。软故障一般是渐进性的,在发生之前所表现的征兆不明显,初期往往难以被检测到。事实上,渐进性的故障是由于系统参数的逐步恶化而产生的,从某种意义上讲,软故障的危害比硬故障更大。
暖通空调设备在使用一段时间之后,系统发生的故障多为偶然故障,因此故障特征具有随机性,且故障的发生进程是与时间相关的非平稳的随机过程。这些设备是由各子系统和元部件按一定的规律组合而成的,具有层次性。因此,故障产生会因其层次不同而表现出层次性。另外,暖通空调系统由若干相互关联的子系统构成,某些子系统故障可能是由于与之相关的子系统或环节的故障所引起,称为系统故障的传播性。按照故障发生位置不同,故障可能是设备故障,也可能是传感器故障,既可能是硬故障,也可能是软故障。在同一系统中往往相互交织,增加了暖通空调系统故障诊断的复杂性。
其中,主要针对高铁智能车站暖通空调制冷系统发生的故障进行诊断及预测,暖通空调制冷系统主要由压缩机、换热器、节流装置、换向装置、辅助设备、电气控制、末端装置、冷(热)媒输送等多个子系统组成。对各个子系统的主要故障诊断方法如下:
(1)压缩机非正常停机故障
压缩机非正常停机一般是由于电气故障或压缩机高、低压保护动作引起的。压缩机停机时,整个制冷循环系统被压缩机隔开,制冷剂不再处于循环状态。但此时,冷凝器与外界仍然存在着热交换,制冷剂温度和压力短时间内急剧下降,膨胀阀前后压差下降,制冷剂流量急剧下降并且很快减少至0。蒸发器和冷凝器与外界之间的换热量迅速下降,并且主要以制冷剂变化热为主。
(2)冷凝器侧翅片管换热器风机停转
造成翅片管换热器风机停转的原因有:继电器的烧毁、风机电动机烧毁、皮带损坏以及电气电路故障等。翅片管换热器风机停转之后,空气与冷凝器间换热量急剧下降,蓄积在冷凝器中的热量越来愈多,致使冷凝压力升高,膨胀阀前后压差增大。制冷剂的流量将增加,蒸发器换热量随之增加。
(3)循环水泵停转
循环水泵停转后,水与蒸发器侧的换热方式由以对流换热为主导的换热方式转变为导热方式,换热量骤减,导致蒸发器内制冷剂的内能减少,制冷剂蒸发温度、蒸发压力下降以及蒸发器中制冷剂量累积。由此,冷凝温度、压力下降,制冷剂流量减少。由于系统存在着一定的时滞性,在故障初发期各热力参数变化不是十分明显。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过获取设于待预测设备上各待选传感器的基础信息数据,然后根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述有效传感器作为预设传感器,获取预设传感器所采集的有效数据及时间戳,之后,判断所述有效数据及时间戳是否完整,在所述有效数据及时间戳不完整时,获取缺失数据所在列的相邻数据前值以及相邻数据后值,计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据,之后,将完整有效数据对应的时间戳今次那个降序排列,获得时间序列,在所述时间序列平稳时,从所述时间序列中读取对应的时间戳,获取所述时间戳对应的有效数据,将所述有效数据输入至预设分类模型中进行故障预测,实现了通过状态监测进行故障预测,从而能够远程通知管理人员,及时处理故障。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于PHM的高铁智能车站暖通空调能效控制管理方法,此处不再赘述。
基于上述基于PHM的高铁智能车站暖通空调能效控制管理装置的第一实施例,提出本发明基于PHM的高铁智能车站暖通空调能效控制管理装置第二实施例。
在本实施例中,所述基于PHM的高铁智能车站暖通空调能效控制管理装置中还包括:处理数据模块、寿命预测模块。
其中,所述处理数据模块,还用于根据故障预测结果,通过预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据。
相应地,所述寿命预测模块,还用于根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测。
此外,还需理解的是,根据所述有效数据,通过预设滑动窗分割法计算分割处理数据,根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测。
此外,为了便于理解,以下进行举例说明:
在京广高铁长沙南站暖通空调PHM系统设计中,建立了健康评估管理模块。基于京广高铁多年来长沙南站暖通空调设备在各种运行工况下全部传感器的监测数据,使用滑动窗分割法对大量历史监测数据进行了分割处理,并定义了每种工况下窗末样本和终止样本距离为剩余寿命的假设后,使用神经网络分类算法建立了分类模型,可对某一时刻内的指定运行工况下暖通空调设备的健康状态和剩余寿命进行评估和预测分析,如图5所示。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例根据预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据,之后根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测,对设备的健康状态和剩余寿命进行估计和预测分析,从而实现了对设备的健康状态进行有效的评估管理及系统的全生命周期综合评估健康管理。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于PHM的高铁智能车站暖通空调能效控制管理方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于PHM的高铁智能车站暖通空调能效控制管理方法,其特征在于,所述方法包括:
获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;
根据所述时间戳生成时间序列;
判断所述时间序列是否平稳;
在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预测设备进行故障预测;
其中,所述获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之前,所述方法还包括:
获取设于待预测设备上各待选传感器的基础信息数据;
根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述有效传感器作为预设传感器。
2.如权利要求1所述的方法,其特征在于,所述获取设于待预测设备上的预设传感器所采集的有效数据及时间戳的步骤之后,所述方法还包括:
通过定时器对所述预设传感器进行轮询直至获取预设传感器对应的有效数据及时间戳;
在所述有效数据发生变化时,判断所述有效数据对应的时间戳是否发生变化;
在所述时间戳发生变化时,将所述定时器对所述预设传感器轮询获取预设传感器对应的有效数据及时间戳进行替换。
3.如权利要求1~2中任一项所述的方法,其特征在于,所述根据所述时间戳生成时间序列的步骤,包括:
判断所述时间序列对应的有效数据是否存在缺失数据;
在所述时间序列对应的有效数据存在缺失数据时,获取所述缺失数据所在列的相邻数据前值以及相邻数据后值;
计算所述相邻数据前值以及所述相邻数据后值的平均值,并根据所述平均值对所述缺失数据进行填充,以获得完整有效数据;
将完整有效数据对应的时间戳进行降序排列,获得时间序列。
4.如权利要求1~2中任一项所述的方法,其特征在于,所述判断所述时间序列是否平稳的步骤之后,所述方法还包括:
在所述时间序列不平稳时,对所述时间序列进行预设差分分析,将所述时间序列进行平稳化处理;
通过预设函数模型判断处理后的时间序列是否平稳。
5.如权利要求1~2中任一项所述的方法,其特征在于,所述在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预测设备进行故障预测的步骤,包括:
从所述时间序列中读取对应的时间戳;
获取所述时间戳对应的有效数据;
将所述有效数据输入至预设分类模型中进行故障预测。
6.如权利要求5所述的方法,其特征在于,所述将所述有效数据输入至预设分类模型中进行故障预测的步骤之后,所述方法还包括:
根据故障预测结果,通过预设滑动窗分割法对所述有效数据进行计算,得到分割处理数据;
根据所述分割处理数据,通过预设神经网络分类算法进行寿命预测。
7.一种基于PHM的高铁智能车站暖通空调能效控制管理装置,其特征在于,所述装置包括:
采集模块,还用于获取设于待预测设备上的预设传感器所采集的有效数据及时间戳;
生成模块,还用于根据所述时间戳生成时间序列;
判断模块,还用于判断所述时间序列是否平稳;
预测模块,还用于在所述时间序列平稳时,根据所述有效数据通过预设分类模型对所述待预测设备进行故障预测;
其中,所述装置还包括:
获取设于待预测设备上各待选传感器的基础信息数据;
根据所述基础信息数据从所述待选传感器中筛选有效传感器,并将所述有效传感器作为预设传感器。
8.一种电子设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于PHM的高铁智能车站暖通空调能效控制管理程序,所述基于PHM的高铁智能车站暖通空调能效控制管理程序配置为实现如权利要求1至6中任一项所述的基于PHM的高铁智能车站暖通空调能效控制管理方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于PHM的高铁智能车站暖通空调能效控制管理程序,所述基于PHM的高铁智能车站暖通空调能效控制管理程序被处理器执行时实现如权利要求1至6任一项所述的基于PHM的高铁智能车站暖通空调能效控制管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737591.3A CN110425694B (zh) | 2019-08-09 | 2019-08-09 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737591.3A CN110425694B (zh) | 2019-08-09 | 2019-08-09 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110425694A CN110425694A (zh) | 2019-11-08 |
CN110425694B true CN110425694B (zh) | 2021-05-25 |
Family
ID=68413955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910737591.3A Active CN110425694B (zh) | 2019-08-09 | 2019-08-09 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110425694B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110779168A (zh) * | 2019-11-18 | 2020-02-11 | 珠海格力电器股份有限公司 | 一种空调定期维护提醒方法 |
CN111599033B (zh) * | 2019-12-20 | 2023-01-13 | 深圳市鸿捷源自动化系统有限公司 | 一种诊断卷烟机故障的处理方法 |
CN111092588A (zh) * | 2019-12-27 | 2020-05-01 | 中国科学院电工研究所 | 一种电机数据流的控制系统 |
CN111077886A (zh) * | 2019-12-31 | 2020-04-28 | 上海申铁信息工程有限公司 | 一种车站故障实时监测系统 |
CN111665067A (zh) * | 2020-05-18 | 2020-09-15 | 中车青岛四方机车车辆股份有限公司 | 轨道车辆空调状态监测系统与监测方法 |
CN111422211B (zh) * | 2020-06-11 | 2020-09-08 | 新誉轨道交通科技有限公司 | 轨道交通空调健康评估方法、装置、设备及存储介质 |
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 |
CN113377090B (zh) * | 2021-08-12 | 2021-10-29 | 新誉轨道交通科技有限公司 | 动车组用压力变化模型、风门故障诊断方法、系统及装置 |
CN114189456B (zh) * | 2021-11-22 | 2024-02-27 | 杭州海康威视系统技术有限公司 | 物联网设备的在线状态预测方法、装置及电子设备 |
CN115081673B (zh) * | 2022-05-05 | 2024-09-24 | 国家石油天然气管网集团有限公司 | 一种油气管道的异常预测方法、装置、电子设备及介质 |
CN115188092B (zh) * | 2022-06-14 | 2023-11-10 | 珠海格力电器股份有限公司 | 设备监管方法、系统、计算机设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200524B2 (en) * | 2004-05-06 | 2007-04-03 | Carrier Corporation | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions |
CA2979202C (en) * | 2015-03-11 | 2019-08-27 | Siemens Industry, Inc. | Cascaded identification in building automation |
CN106403168B (zh) * | 2016-09-05 | 2019-11-29 | 重庆美的通用制冷设备有限公司 | 用于空调系统的故障诊断系统和方法 |
CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
CN109783903B (zh) * | 2018-12-28 | 2023-01-24 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
CN109708249B (zh) * | 2018-12-29 | 2020-06-09 | 珠海格力电器股份有限公司 | 空调元器件故障预测方法、装置和计算机设备 |
-
2019
- 2019-08-09 CN CN201910737591.3A patent/CN110425694B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110425694A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110425694B (zh) | 基于phm的高铁智能车站暖通空调能效控制管理方法 | |
US11755604B2 (en) | Building management system with declarative views of timeseries data | |
US10747187B2 (en) | Building management system with voting-based fault detection and diagnostics | |
US10700942B2 (en) | Building management system with predictive diagnostics | |
Han et al. | Least squares support vector machine (LS-SVM)-based chiller fault diagnosis using fault indicative features | |
US11847617B2 (en) | Model predictive maintenance system with financial analysis functionality | |
US20180087790A1 (en) | Systems and methods for automatically creating and using adaptive pca models to control building equipment | |
Seem | Using intelligent data analysis to detect abnormal energy consumption in buildings | |
US12055908B2 (en) | Building management system with nested stream generation | |
Li et al. | Review on fault detection and diagnosis feature engineering in building heating, ventilation, air conditioning and refrigeration systems | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
CN109344983A (zh) | 故障检测方法、装置及计算机可读存储介质 | |
CN118410464A (zh) | 一种基于业务的机房空调机组故障预测方法、介质及系统 | |
Guo et al. | Performance benchmarking of residential air conditioning systems using smart thermostat data | |
Guo et al. | Multivariate fault detection for residential HVAC systems using cloud-based thermostat data, part I: Methodology | |
US20240068721A1 (en) | Systems and methods for refrigerant leakage diagnosis | |
Guo et al. | Labeling modes of operation and extracting features for fault detection with cloud-based thermostat data | |
Bellala et al. | A finite state machine-based characterization of building entities for monitoring and control | |
Cheng et al. | Abnormal energy consumption detection using ensemble model for water chilling unit on HVAC system | |
CN117824068A (zh) | 一种空调维修资源分配方法、装置及设备 | |
CN117574249A (zh) | 一种基于模型加权融合的冰箱冷凝器故障诊断方法和系统 | |
CN117235616A (zh) | 一种改进的knn算法在冰箱智能诊断中的应用系统及方法 | |
CN116071099A (zh) | 一种供热需求预测方法及系统 | |
CN115016342A (zh) | 一种用于智慧楼宇的运行数据处理方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: PHM-based control and management method for HVAC energy efficiency of high-speed railway intelligent station Effective date of registration: 20230206 Granted publication date: 20210525 Pledgee: Bank of China Limited Wuhan Jianghan sub branch Pledgor: Changjiang intelligent control technology (Wuhan) Co.,Ltd. Registration number: Y2023420000020 |