CN111207484B - 基于面向对象贝叶斯网络的中央空调系统故障诊断方法 - Google Patents

基于面向对象贝叶斯网络的中央空调系统故障诊断方法 Download PDF

Info

Publication number
CN111207484B
CN111207484B CN201911283963.6A CN201911283963A CN111207484B CN 111207484 B CN111207484 B CN 111207484B CN 201911283963 A CN201911283963 A CN 201911283963A CN 111207484 B CN111207484 B CN 111207484B
Authority
CN
China
Prior art keywords
fault
nodes
node
additional information
bayesian network
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
Application number
CN201911283963.6A
Other languages
English (en)
Other versions
CN111207484A (zh
Inventor
李婷婷
赵阳
张学军
王姝婷
章超波
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911283963.6A priority Critical patent/CN111207484B/zh
Publication of CN111207484A publication Critical patent/CN111207484A/zh
Application granted granted Critical
Publication of CN111207484B publication Critical patent/CN111207484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/62—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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，用于解决系统级别故障诊断模型构建难度高、工作量大、成本昂贵的问题。技术方案是首先基于中央空调系统所包含的设备类型，为每类设备构建故障诊断贝叶斯网络类和附加信息贝叶斯网络类；其次，通过类的实例化，为每个设备生成相应的故障诊断贝叶斯网络片段和附加信息贝叶斯网络片段；然后，分析设备之间的关联关系，建立相应贝叶斯网络片段之间的连通关系，并进行贝叶斯网络结构的修改和参数的调整，形成完整的贝叶斯诊断网络；最后，以中央空调系统的诊断信息为驱动，通过贝叶斯网络的概率推理过程实现故障诊断。该方法以面向对象和贝叶斯网络为基础，能够实现中央空调系统故障诊断模型的快速构建、更新和维护，具有较强的实用性。

Description

基于面向对象贝叶斯网络的中央空调系统故障诊断方法
技术领域
本发明属于建筑节能、建筑中央空调系统故障诊断和人工智能领域，涉及涉及信息不确定、不全面情况下复杂系统的知识推理，特别是涉及一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法与技术。
背景技术
中央空调系统广泛应用于建筑、数据机房和工业生产等领域，其通常消耗大量能源。由于中央空调系统设备多且系统复杂，容易产生各类故障，种类可达上百种之多。故障会导致空调系统难以满足温湿度控制要求、浪费大量能源、缩短设备寿命，甚至引发安全事故。因此，为中央空调系统开发自动故障诊断方法研究具有重要科学价值和工程意义。
中央空调系统规模大、拓扑复杂、设备种类多，构建系统级别的故障诊断工具难度高、工作量大、成本昂贵。贝叶斯网络是目前中央空调系统典型设备故障诊断领域最有效的理论模型之一。但在传统的贝叶斯网络中，节点集和网络结构都事先确定，因此只能应用于相应的设备上，难以移植应用，无法适应大规模、复杂系统的故障诊断建模需要。如何实现复杂中央空调系统贝叶斯诊断网络的快速构建，目前仍缺少一种有效的解决方案。
发明内容
本发明能够克服现有技术的不足，为大规模、拓扑复杂、设备繁多的中央空调系统提供一种故障诊断模型构建和实时故障诊断流程。该方法基于面向对象思想和贝叶斯网络算法，旨在克服系统级别贝叶斯诊断网络设计的困难，实现中央空调系统的自动故障诊断。
有鉴于此，本发明一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，包括以下基本操作步骤：
S1：针对中央空调系统所包含的可能出现故障的设备类型，为每种类型设备构建故障诊断贝叶斯网络类；
S2：针对中央空调系统中会对设备故障发生造成影响的信息类型，构建附加信息贝叶斯网络类；
S3：分析中央空调系统的设备组成，通过故障诊断贝叶斯网络类的实例化，为每个设备生成相应的故障诊断贝叶斯网络片段；
S4：分析中央空调系统中的可获取信息，通过附加信息贝叶斯网络类的实例化，为每个设备生成相应的附加信息贝叶斯网络片段；
S5：基于中央空调系统的拓扑结构，分析不同设备之间的关联关系，建立设备故障诊断贝叶斯网络片段以及附加信息贝叶斯网络片段之间的连通关系，形成中央空调系统贝叶斯诊断网络；
S6：根据中央空调系统级别的特征，对上一步获得的中央空调系统贝叶斯诊断网络进行网络结构的修改和网络参数的更新，形成完整的贝叶斯诊断网络；
S7：获取中央空调系统的诊断信息，输入到贝叶斯诊断网络中，更新所有故障节点的后验概率；若某故障节点后验概率超过第一阈值，则对该故障进行报警；若某故障节点后验概率超过第二阈值，但未超过第一阈值，则对该故障进行预警。
进一步地，所述步骤S1中，可能出现故障的设备类型包括冷机、冷却塔、冷却水泵和冷冻水泵，各类型设备的故障诊断贝叶斯网络类构建方法具体包括以下步骤：
第1-1步，构建冷机故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点包括冷冻水阀门堵塞、冷机运行故障、冷机冷却水阀门堵塞、冷冻水回水温度传感器读数偏移、冷冻水送水温度传感器读数偏移、冷却水出水温度传感器读数偏移和冷却水进水温度传感器读数偏移，征兆节点包括冷冻水回水温度异常、冷冻水送水温度异常、冷机COP低、冷却水出水温度异常和冷却水进水温度异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-2步，构建冷却塔故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点包括冷却塔风机运行故障、冷却塔运行故障、冷却塔冷却水阀门堵塞、冷却塔填料堵塞、冷却水送水温度传感器读数偏移和冷却水回水温度传感器读数偏移，征兆节点包括冷却塔风机转速异常、冷却水送水温度异常和冷却水回水温度异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-3步，构建冷却水泵故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点为冷却水泵运行故障，征兆节点包括冷却水流量异常和冷却水泵运行频率异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-4步，构建冷冻水泵故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成；故障节点包括冷冻水泵运行故障，征兆节点为冷冻水流量异常和冷冻水泵运行频率异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-5步，为以上第1-1～1-4步骤中的各故障诊断贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第1-6步，为各故障诊断贝叶斯网络类中的节点设置节点类型，节点类型包括输入节点、输出节点和封装节点；其中输入节点可以实现类外节点的连入，输出节点可以连出到类外节点，封装节点不参与类间信息的沟通。
进一步地，所述步骤S2中附加信息贝叶斯网络类的构建具体包括以下步骤：
第2-1步，构建冷机附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良、设备维修频率低、冷冻水处理不良和传感器校准频率低，故障节点包括冷却水阀门堵塞、设备运行故障、冷冻水阀门堵塞和传感器读数偏移；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-2步，构建冷却塔附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良、设备维修频率低和传感器校准频率低，故障节点包括冷却水阀门堵塞、冷却塔填料堵塞、设备运行故障和传感器读数偏移；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-3步，构建冷却水泵附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良和设备维修频率低，故障节点为冷却水泵运行故障；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-4步，构建冷冻水泵附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷冻水处理不良和设备维修频率低，故障节点为冷冻水泵运行故障；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-5步，为以上第2-1～2-4步骤中的各附加信息贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第2-6步，为各附加信息贝叶斯网络类中的节点设置节点类型，节点类型包括输入节点、输出节点和封装节点；其中输入节点可以实现类外节点的连入，输出节点可以连出到类外节点，封装节点不参与类间信息的沟通。
进一步地，所述步骤7中的第一阈值设为80％。
进一步地，所述步骤7中的第二阈值设为50％。
与现有技术相比，本发明所述的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法具有的优势在于：
(1)提出了贝叶斯网络类的概念，实现了诊断知识的模块化、结构化表达，可读性增强，类的封装性、重用性和标准性有利于诊断知识的管理和使用；
(2)通过贝叶斯网络类的多次实例化实现了贝叶斯网络片段的重用复用，避免了贝叶斯诊断网络建模过程中的大量重复工作，提高了网络构建效率；
(3)基于系统实时诊断信息，通过贝叶斯网络的概率推理获取所有故障的后验概率，并提出了基于后验概率进行故障报警与预警的规则，能够用于开发现场辅助诊断工具以及基于云端的远程诊断工具。
附图说明
图1为本发明方法实施例中央空调系统拓扑结构图。
图2为本发明一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法流程图。
图3为本发明方法实施例中的故障诊断贝叶斯网络类。
图4为本发明方法实施例中的附加信息贝叶斯网络类。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下属实施例。
在本实施例中，某中央空调系统拓扑结构图如图1所示。该中央空调系统由 20台冷却塔(CT 1#-CT 20#)、10台冷却水泵(COWP 1#-COWP 10#)、8台冷机(CW 1#-CW 8#)、14台冷冻水二次泵(SCHWP A1#-SCHWP D4#)和10 台冷冻水一次泵(PCHWP 1#-PCHWP D4#)组成。
如图2-4所示，本发明的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，包括以下步骤；
S1：在本实施例中，共有可能出现故障的四类设备，分别是冷却塔、冷却水泵、冷机和冷冻水泵，为每种类型设备构建故障诊断贝叶斯网络类，其具体方法如下：
第1-1步，构建冷机故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成。如图3(1)所示，故障节点用字母F表示，征兆节点用字母E表示。故障节点包括冷冻水阀门堵塞、冷机运行故障、冷机冷却水阀门堵塞、冷冻水回水温度传感器读数偏移、冷冻水送水温度传感器读数偏移、冷却水出水温度传感器读数偏移和冷却水进水温度传感器读数偏移，征兆节点包括冷冻水回水温度异常、冷冻水送水温度异常、冷机COP低、冷却水出水温度异常和冷却水进水温度异常。基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-2步，构建冷却塔故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成。如图3(2)所示，故障节点用字母F表示，征兆节点用字母E 表示。故障节点包括冷却塔风机运行故障、冷却塔运行故障、冷却塔冷却水阀门堵塞、冷却塔填料堵塞、冷却水送水温度传感器读数偏移和冷却水回水温度传感器读数偏移，征兆节点包括冷却塔风机转速异常、冷却水送水温度异常和冷却水回水温度异常。基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-3步，构建冷却水泵故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成。如图3(3)所示，故障节点用字母F表示，征兆节点用字母E 表示。故障节点为冷却水泵运行故障，征兆节点包括冷却水流量异常和冷却水泵运行频率异常。基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-4步，构建冷冻水泵故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成。如图3(4)所示，故障节点用字母F表示，征兆节点用字母E 表示。故障节点包括冷冻水泵运行故障，征兆节点为冷冻水流量异常和冷冻水泵运行频率异常。基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-5步，为以上第1-1～1-4步骤中的各故障诊断贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第1-6步，为各故障诊断贝叶斯网络类中的节点设置节点类型，将所有故障节点都设置为输入节点类型，在图3中用虚线椭圆表示。将冷冻水回水温度异常、冷冻水送水温度异常、冷却水出水温度异常、冷却水进水温度异常、冷却水送水温度异常、冷却水回水温度异常和冷冻水流量异常征兆节点设置为输出节点类型，在图3中用双实线椭圆表示。其余征兆节点设置为封装节点类型，用实线椭圆表示。
S2：总结中央空调系统中会对设备故障发生造成影响的信息类型，构建附加信息贝叶斯网络类，其具体方法如下：
第2-1步，构建冷机附加信息贝叶斯网络类的结构，该网络由附加信息和故障两类节点组成。如图4(1)所示，附加信息节点用字母M表示，故障节点用字母F表示。附加信息节点包括冷却水处理不良、设备维修频率低、冷冻水处理不良和传感器校准频率低，故障节点包括冷却水阀门堵塞、设备运行故障、冷冻水阀门堵塞和传感器读数偏移。基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-2步，构建冷却塔附加信息贝叶斯网络类的结构，该网络由附加信息和故障两类节点组成。如图4(2)所示，附加信息节点用字母M表示，故障节点用字母F表示。附加信息节点包括冷却水处理不良、设备维修频率低和传感器校准频率低，故障节点包括冷却水阀门堵塞、冷却塔填料堵塞、设备运行故障和传感器读数偏移。基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-3步，构建冷却水泵附加信息贝叶斯网络类的结构，该网络由附加信息和故障两类节点组成。如图4(3)所示，附加信息节点用字母M表示，故障节点用字母F表示。附加信息节点包括冷却水处理不良和设备维修频率低，故障节点为冷却水泵运行故障。基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-4步，构建冷冻水泵附加信息贝叶斯网络类的结构，该网络由附加信息和故障两类节点组成。如图4(4)所示，附加信息节点用字母M表示，故障节点用字母F表示。附加信息节点包括冷冻水处理不良和设备维修频率低，故障节点为冷冻水泵运行故障。基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-5步，为以上第2-1～2-4步骤中的各附加信息贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第2-6步，为各附加信息贝叶斯网络类中的节点设置节点类型，将所有故障节点都设置为输出节点类型，在图4中用双实线椭圆表示。所有附加信息节点设置为封装节点类型，用实线椭圆表示。
S3：分析中央空调系统的设备组成，通过故障诊断贝叶斯网络类的实例化，为每个设备生成相应的贝叶斯诊断网络片段。即生成20个冷却塔故障诊断贝叶斯网络片段、10个冷却水泵故障诊断贝叶斯网络片段、8个冷机故障诊断贝叶斯网络片段、24个冷冻水泵故障诊断贝叶斯网络片段。
S4：分析中央空调系统中的可获取信息，通过附加信息贝叶斯网络类的实例化，为每个设备生成相应的附加信息贝叶斯网络片段。即生成20个冷却塔附加信息贝叶斯网络片段、10个冷却水泵附加信息贝叶斯网络片段、8个冷机附加信息贝叶斯网络片段、24个冷冻水泵附加信息贝叶斯网络片段。
S5：基于中央空调系统的拓扑结构，分析不同设备之间的关联关系，建立设备故障诊断贝叶斯网络片段以及附加信息贝叶斯网络片段之间的连通关系，形成中央空调系统贝叶斯诊断网络。
S6：根据中央空调系统级别的特征，对上一步获得的中央空调系统贝叶斯诊断网络进行网络结构的修改和网络参数的更新，形成完整的贝叶斯诊断网络。该贝叶斯诊断网络在连通已生成故障诊断贝叶斯网络片段、附加信息贝叶斯网络片段外，还增加了五个征兆节点，包括冷却水总管回水温度异常、冷却水总管送水温度异常、冷冻水总管回水温度异常、冷冻水总管送水温度异常和冷冻水总流量异常。
S7：获取中央空调系统的诊断信息，输入到贝叶斯诊断网络中，更新所有故障节点的后验概率。若某故障节点后验概率超过80％，则对该故障节点进行报警；若某故障节点后验概率超过50％，但未超过80％，则对该故障节点进行预警。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，其特征在于，包括以下步骤；
S1：针对中央空调系统所包含的可能出现故障的设备类型，为每种类型设备构建故障诊断贝叶斯网络类；
S2：针对中央空调系统中会对设备故障发生造成影响的信息类型，构建附加信息贝叶斯网络类；
S3：分析中央空调系统的设备组成，通过故障诊断贝叶斯网络类的实例化，为每个设备生成相应的故障诊断贝叶斯网络片段；
S4：分析中央空调系统中的可获取信息，通过附加信息贝叶斯网络类的实例化，为每个设备生成相应的附加信息贝叶斯网络片段；
S5：基于中央空调系统的拓扑结构，分析不同设备之间的关联关系，建立设备故障诊断贝叶斯网络片段以及附加信息贝叶斯网络片段之间的连通关系，形成中央空调系统贝叶斯诊断网络；
S6：根据中央空调系统级别的特征，对上一步获得的中央空调系统贝叶斯诊断网络进行网络结构的修改和网络参数的更新，形成完整的贝叶斯诊断网络；
S7：获取中央空调系统的诊断信息，输入到贝叶斯诊断网络中，更新所有故障节点的后验概率；若某故障节点后验概率超过第一阈值，则对该故障进行报警；若某故障节点后验概率超过第二阈值，但未超过第一阈值，则对该故障进行预警。
2.根据权利要求1所述的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，其特征在于，所述步骤S1中，可能出现故障的设备类型包括冷机、冷却塔、冷却水泵和冷冻水泵，各类型设备的故障诊断贝叶斯网络类构建方法具体包括以下步骤：
第1-1步，构建冷机故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点包括冷冻水阀门堵塞、冷机运行故障、冷机冷却水阀门堵塞、冷冻水回水温度传感器读数偏移、冷冻水送水温度传感器读数偏移、冷却水出水温度传感器读数偏移和冷却水进水温度传感器读数偏移，征兆节点包括冷冻水回水温度异常、冷冻水送水温度异常、冷机COP低、冷却水出水温度异常和冷却水进水温度异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-2步，构建冷却塔故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点包括冷却塔风机运行故障、冷却塔运行故障、冷却塔冷却水阀门堵塞、冷却塔填料堵塞、冷却水送水温度传感器读数偏移和冷却水回水温度传感器读数偏移，征兆节点包括冷却塔风机转速异常、冷却水送水温度异常和冷却水回水温度异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-3步，构建冷却水泵故障诊断贝叶斯网络类的结构，网络由故障和征兆两类节点组成；故障节点为冷却水泵运行故障，征兆节点包括冷却水流量异常和冷却水泵运行频率异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-4步，构建冷冻水泵故障诊断贝叶斯网络类的结构，该网络由故障和征兆两类节点组成；故障节点包括冷冻水泵运行故障，征兆节点为冷冻水流量异常和冷冻水泵运行频率异常；基于故障节点与征兆节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第1-5步，为以上第1-1~1-4步骤中的各故障诊断贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第1-6步，为各故障诊断贝叶斯网络类中的节点设置节点类型，节点类型包括输入节点、输出节点和封装节点；其中输入节点可以实现类外节点的连入，输出节点可以连出到类外节点，封装节点不参与类间信息的沟通。
3.根据权利要求1所述的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，其特征在于，所述步骤S2中附加信息贝叶斯网络类的构建具体包括以下步骤：
第2-1步，构建冷机附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良、设备维修频率低、冷冻水处理不良和传感器校准频率低，故障节点包括冷却水阀门堵塞、设备运行故障、冷冻水阀门堵塞和传感器读数偏移；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-2步，构建冷却塔附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良、设备维修频率低和传感器校准频率低，故障节点包括冷却水阀门堵塞、冷却塔填料堵塞、设备运行故障和传感器读数偏移；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-3步，构建冷却水泵附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷却水处理不良和设备维修频率低，故障节点为冷却水泵运行故障；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-4步，构建冷冻水泵附加信息贝叶斯网络类的结构，网络由附加信息和故障两类节点组成；附加信息节点包括冷冻水处理不良和设备维修频率低，故障节点为冷冻水泵运行故障；基于附加信息节点与故障节点间的概率性因果关系构建其间的有向边连接，形成拓扑结构；
第2-5步，为以上第2-1~2-4步骤中的各附加信息贝叶斯网络类中的所有根节点设置先验概率，为其余节点设置条件概率表；
第2-6步，为各附加信息贝叶斯网络类中的节点设置节点类型，节点类型包括输入节点、输出节点和封装节点；其中输入节点可以实现类外节点的连入，输出节点可以连出到类外节点，封装节点不参与类间信息的沟通。
4.如权利要求1所述的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，其特征在于，所述S7中的第一阈值设为80%。
5.如权利要求1所述的一种基于面向对象贝叶斯网络的中央空调系统故障诊断方法，其特征在于，所述S7中的第二阈值设为50%。
CN201911283963.6A 2019-12-13 2019-12-13 基于面向对象贝叶斯网络的中央空调系统故障诊断方法 Active CN111207484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911283963.6A CN111207484B (zh) 2019-12-13 2019-12-13 基于面向对象贝叶斯网络的中央空调系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911283963.6A CN111207484B (zh) 2019-12-13 2019-12-13 基于面向对象贝叶斯网络的中央空调系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN111207484A CN111207484A (zh) 2020-05-29
CN111207484B true CN111207484B (zh) 2021-01-19

Family

ID=70787017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911283963.6A Active CN111207484B (zh) 2019-12-13 2019-12-13 基于面向对象贝叶斯网络的中央空调系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN111207484B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113310171B (zh) * 2021-05-24 2022-04-29 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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006065383A (ja) * 2004-08-24 2006-03-09 Inter Db:Kk 耐障害型ベイジアンネットワーク演算処理装置
JP2008256981A (ja) * 2007-04-05 2008-10-23 Fuji Xerox Co Ltd 故障診断システム
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
CN102519119A (zh) * 2011-12-04 2012-06-27 Tcl空调器(中山)有限公司 一种带故障自诊断功能的空调器及其故障自诊断方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN104050377A (zh) * 2014-06-24 2014-09-17 国家电网公司 一种时变设备故障概率确定方法
JP2016102775A (ja) * 2014-11-12 2016-06-02 日本電信電話株式会社 電気機器の動作状態同定方法及びシステム
CN105805893A (zh) * 2016-04-15 2016-07-27 珠海格力电器股份有限公司 空调器的故障检测方法和装置
CN106196448A (zh) * 2016-07-12 2016-12-07 珠海格力电器股份有限公司 空调器的故障检测方法和装置
CN107806690A (zh) * 2017-09-13 2018-03-16 浙江大学 一种基于贝叶斯网络的家用空调故障诊断方法
CN110032463A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 一种基于贝叶斯网络的系统故障定位方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9366451B2 (en) * 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
CN107038485A (zh) * 2017-03-02 2017-08-11 美的智慧家居科技有限公司 设备故障处理方法及系统
CN108627720B (zh) * 2018-03-08 2020-01-17 国网四川省电力公司电力科学研究院 一种基于贝叶斯算法的电力设备状态监测方法
CN110411554B (zh) * 2018-04-27 2022-04-29 华为技术有限公司 一种电机设备检测方法、装置及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006065383A (ja) * 2004-08-24 2006-03-09 Inter Db:Kk 耐障害型ベイジアンネットワーク演算処理装置
JP2008256981A (ja) * 2007-04-05 2008-10-23 Fuji Xerox Co Ltd 故障診断システム
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN102519119A (zh) * 2011-12-04 2012-06-27 Tcl空调器(中山)有限公司 一种带故障自诊断功能的空调器及其故障自诊断方法
CN104050377A (zh) * 2014-06-24 2014-09-17 国家电网公司 一种时变设备故障概率确定方法
JP2016102775A (ja) * 2014-11-12 2016-06-02 日本電信電話株式会社 電気機器の動作状態同定方法及びシステム
CN105805893A (zh) * 2016-04-15 2016-07-27 珠海格力电器股份有限公司 空调器的故障检测方法和装置
CN106196448A (zh) * 2016-07-12 2016-12-07 珠海格力电器股份有限公司 空调器的故障检测方法和装置
CN107806690A (zh) * 2017-09-13 2018-03-16 浙江大学 一种基于贝叶斯网络的家用空调故障诊断方法
CN110032463A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 一种基于贝叶斯网络的系统故障定位方法和系统

Also Published As

Publication number Publication date
CN111207484A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
US11513480B2 (en) Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
JP2012029550A (ja) 自己回復式電力網及びそれについての方法
CN105025112A (zh) 用于空调设备的远程监控系统及其控制方法
CN104965481A (zh) 一种基于云计算的水处理监控平台
Ren et al. Big data platform for intelligence industrial IoT sensor monitoring system based on edge computing and AI
CN111207484B (zh) 基于面向对象贝叶斯网络的中央空调系统故障诊断方法
CN109101400A (zh) 一种云计算数据中心整机柜服务器的监控系统
CN112728723A (zh) 一种智能化群控系统监测分析制冷机房运行能效的方法
CN108800979B (zh) 一种凝汽器预测性运维的监控方法及监控装置
朱建新 et al. Smart failure/fault diagnosis and influence analysis for mechanical equipment with multivariate Gaussian Bayesian method
CN103543253A (zh) 一种风电机组齿轮箱油液在线式监测系统组网通讯方法
CN117696224A (zh) 一种基于大模型的磨矿优化处理系统
CN110209649B (zh) 基于关联规则知识库的中央空调系统能效实时诊断方法
CN206018925U (zh) 中央空调冷站控制系统
CN205692007U (zh) 智慧能源管理系统
CN114996093A (zh) 一种数据中心节能系统的智能巡检优化方法
CN111200919B (zh) 冷源ba控制系统和数据中心
CN111241654B (zh) 一种基于数学模型的变电站管控方法
Chang et al. Research on key energy-saving technologies in green data centers
CN112286726A (zh) 一种基于cps的物联设备数据与能力模型的设计方法
CN105066387A (zh) 一种污水源热泵中央空调机房漏水辅助监测和报警系统
Li et al. Application-Driven Data Management Framework for Wind Farms by Cloud-Edge-End Collaboration
CN117273465B (zh) 一种梯级水电枢纽群风险传递方法
Bao et al. Architecture and design of smart coal-fired power plants

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