CN111652375B - 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 - Google Patents
基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 Download PDFInfo
- Publication number
- CN111652375B CN111652375B CN202010489596.1A CN202010489596A CN111652375B CN 111652375 B CN111652375 B CN 111652375B CN 202010489596 A CN202010489596 A CN 202010489596A CN 111652375 B CN111652375 B CN 111652375B
- Authority
- CN
- China
- Prior art keywords
- offset
- cooling coil
- probability density
- sample
- density function
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置,基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,通过贝叶斯推理建立传感器偏移量及冷却盘管换热性能虚拟传感的后验分布概率密度函数,通过马尔科夫链蒙特卡罗方法获得相关参数的概率分布,进而校正传感器偏移量并确定冷却盘管换热性能故障水平。本发明将实时测定获得的冷却盘管水侧及风侧温度传感器测量值数据集输入到目标函数,从而获得各参数的校正结果。该结果输入到冷却盘管控制系统中,可实现传感器偏移量准确的原位校正并测定出冷却盘管换热性能故障水平,进而移除故障,实现冷却盘管系统节能高效运行。
Description
技术领域
本发明属于冷却盘管系统故障智能检测诊断技术领域,具体涉及一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置。
背景技术
在暖通空调系统中冷却盘管作为冷热源系统和空调末端系统冷热传递的媒介,为室内环境提供适宜的温度、湿度及空气质量,进而满足人们日常的生活、生产要求。然而,冷却盘管系统时常会产生各种故障,其故障类型主要包括传感器偏移量及换热性能故障,这些故障严重抑制了冷却盘管系统高效地运行,进而增加了大量不必要的能量消耗。现有的冷却盘管系统故障检测诊断技术通常只是单一地校正传感器偏移量或检测诊断冷却盘管换热性能故障。在实际运行过程中,由于安装、维护不当等因素的影响,可能会同时出现传感器偏移量和冷却盘管换热性能故障同时发生的情况,进而导致冷却盘管系统的高能耗。因此,冷却盘管系统中传感器偏移量及换热性能故障的同步检测诊断,对进一步保证冷却盘管系统的节能运行具有重要意义。
发明内容
本发明的目的在于克服现有技术存在的问题,提出了一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,通过贝叶斯推理建立传感器偏移量及冷却盘管换热性能虚拟传感的后验分布概率密度函数,通过马尔科夫链蒙特卡罗方法获得相关参数的概率分布,进而校正传感器偏移量并确定冷却盘管换热性能故障水平,实现冷却盘管高效节能运行。
为了实现上述技术目的,本发明的技术方案是,
一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,步骤如下:
步骤1:基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中;
步骤2:建立温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数,且各参数先验分布满足正态分布;
步骤3:将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
步骤4:设定采样数量作为迭代次数,然后基于马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本;
步骤5:采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵作为协方差矩阵,基于协方差矩阵建立一个多元正态分布概率密度函数作为概率密度函数,概率密度函数的中心为步骤4中得到的初始样本,并从概率密度函数中生成一个候选样本;在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现;
步骤6:计算候选样本的接受比率;
步骤7:根据接受比率选择一个新的参数样本:在每次迭代中,将接受比率与从[0,1]中随机产生的数值进行比较。当接受比率不小于随机产生的数值时,则本次迭代选择的参数样本为当前迭代得到的参数样本,否则选择上一次迭代得到的参数样本作为本次迭代选择的参数样本;
步骤8:检查是否达到设定的采样数量即获得预设的参数样本数量,如果达到,则执行步骤9,否则返回步骤4,并以步骤7中获得的参数样本作为步骤4中的先验分布平均值;
步骤9:对所有的样本进行统计,获得样本的统计特征,包括均值、中间值和标准差;
步骤10:对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征并判断故障;
步骤11:将温度传感器偏移量样本均值作为传感器误差偏移量,传输到冷却盘管系统的控制器中,校正传感器的测量精度。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,所述的步骤1中,所述的目标函数表达式如下:
其中,D(X)为目标函数,N为温度传感器测量集数目,i为温度传感器测量集序号,M1i、M2i、M3i、M4i分别为冷水供水、冷水回水、进风、出风温度传感器测量集参数,x1、x2、x3、x4分别为冷水供水、冷水回水、进风、出风温度传感器偏移量,xm、xUA分别为虚拟水流量传感器偏移量及冷却盘管换热性能故障水平,mrate为额定水流量,UA为冷却盘管额定换热性能,c为水的定比热容。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,所述的步骤3中,所述的贝叶斯推理表达式如下:
P(Y)=∫P(Y|x)×π(x)dx
其中,P(x|Y,π(x))为后验分布概率密度函数,P(Y)为标准化常量,P(Y|x)为似然函数,π(x)为先验分布概率密度函数,x为指传感器偏移量和虚拟流量传感器偏移量;Y为观测值。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,所述的步骤6中,接受比率α的表达式如下:
一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,包括:
目标函数构建模块:用于基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中;
先验分布概率密度函数构建模块:用于建立温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数,且各参数先验分布满足正态分布;
后验分布概率密度函数构建模块:用于将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
Metropolis-Hastings算法设置模块:用于设定采样数量作为迭代次数,然后基于马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本;
候选样本生成模块:用于采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵作为协方差矩阵,基于协方差矩阵建立一个多元正态分布概率密度函数作为概率密度函数,概率密度函数的中心为Metropolis-Hastings算法设置模块中得到的初始样本,并从概率密度函数中生成一个候选样本;在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现;
接受比率计算模块:用于计算候选样本的接受比率;
参数样本选择模块:用于根据接受比率选择一个新的参数样本:在每次迭代中,将接受比率与从[0,1]中随机产生的数值进行比较。当接受比率不小于随机产生的数值时,则本次迭代选择的参数样本为当前迭代得到的参数样本,否则选择上一次迭代得到的参数样本作为本次迭代选择的参数样本;
循环执行检测模块:用于检查是否达到设定的采样数量即获得预设的参数样本数量,如果达到,则转由统计模块执行,否则由Metropolis-Hastings算法设置模块重新执行,并以参数样本选择模块中获得的参数样本作为先验分布平均值;
统计模块:用于对所有的样本进行统计,获得样本的统计特征,包括均值、中间值、标准差;
虚拟水流量传感器校正模块:用于对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征;
温度传感器校正模块:将温度传感器偏移量样本均值作为传感器误差偏移量,传输到冷却盘管系统的控制器中,校正传感器的测量精度。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,所述的目标函数构建模块中,所述的目标函数表达式如下:
其中,D(X)为目标函数,N为温度传感器测量集数目,i为温度传感器测量集序号,M1i、M2i、M3i、M4i分别为冷水供水、冷水回水、进风、出风温度传感器测量集参数,x1、x2、x3、x4分别为冷水供水、冷水回水、进风、出风温度传感器偏移量,xm、xUA分别为虚拟水流量传感器偏移量及冷却盘管换热性能故障水平,mrate为额定水流量,UA为冷却盘管额定换热性能,c为水的定比热容。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,所述的后验分布概率密度函数构建模块中,所述的贝叶斯推理表达式如下:
P(Y)=∫P(Y|x)×π(x)dx
其中,P(x|Y,π(x))为后验分布概率密度函数,P(Y)为标准化常量,P(Y|x)为似然函数,π(x)为先验分布概率密度函数,x为指传感器偏移量和虚拟流量传感器偏移量;Y为观测值。
所述的一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,所述的接受比率计算模块中,接受比率α的表达式如下:
一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前任一所述的方法。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如前任一所述的方法。
本发明的技术效果在于,通过将实时测定获得的冷却盘管水侧及风侧温度传感器测量值数据集输入到目标函数,可获得各参数的校正结果。该结果输入到冷却盘管控制系统中,可实现传感器偏移量的准确原位校正并测定出冷却盘管换热性能故障水平,进而移除故障。由于本发明实现了冷却盘管系统中传感器偏移量及换热性能故障的同步检测诊断,防止出现只考虑冷却盘管故障或者只考虑传感器故障导致的故障诊断错误,进而实现冷却盘管系统节能高效运行。
附图说明
图1为冷却盘管系统示意图;
图2为本发明的流程示意图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
图1是冷却盘管系统示意图,如图1所示,该系统包括水侧和风侧及冷却盘管4;水侧包括冷水泵1、冷水供水管3、冷水回水管10、冷水供水温度传感器/2、冷水回水温度传感器11和虚拟水流量传感器mw;风侧包括进风侧5、出风侧6、送风风机7、进风空气温度传感器8和出风空气温度传感器9。
图2是一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法系统流程图,该流程包括以下步骤:
步骤101:基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中。
所述的目标函数表达式如下:
其中,D(X)为目标函数,N为温度传感器测量集数目,i为温度传感器测量集序号,M1i、M2i、M3i、M4i为温度传感器测量集参数,x1、x2、x3、x4分别为冷水供水、冷水回水、进风、出风温度传感器偏移量,xm、xUA分别为虚拟水流量传感器偏移量及冷却盘管换热性能故障水平,mrate为额定水流量,UA为冷却盘管额定换热性能,c为水的定比热容;
步骤102:选择温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数。其中先验分布可部分或完全基于主观设定,且各参数先验分布满足正态分布。
步骤103:将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
所述的贝叶斯推理表达式如下:
P(Y)=∫P(Y|x)×π(x)dx
其中,P(x|Y,π(x))为后验分布概率密度函数,P(Y)为标准化常量,P(Y|X)为似然函数,π(x)为先验分布概率密度函数;
步骤104:选择马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本X1;
步骤105:进行t步迭代,假设一个概率密度函数(f(Xt *|Xt-1)),该概率密度函数为多元正态分布概率密度函数,其中心为前一个参数样本,Xt-1;协方差矩阵采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵,从假设的概率密度函数中生成一个候选样本,Xt *。在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现。
步骤106:计算该候选样本的接受比率,其接受比率的表达式如下:
步骤107:根据接受比率选择一个新的参数样本。在每次迭代中,将接受比率与从[0,1]中随机产生的数值δ进行比较。当α大于等于δ时,则在第t次迭代产生的参数样本为Xt *,否则产生的参数样本为Xt-1;
步骤108:重复步骤4到步骤7,直至达到设定的采样数量,获得所有的样本。
步骤109:对所有的样本进行统计,获得样本的统计特征,包括均值、中间值、标准差等;
步骤110:对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征;
步骤111:将温度传感器偏移量样本均值全部传输到冷却盘管系统的控制器中,校正传感器的测量精度。
本发明实施例所实现的基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,包括:
目标函数构建模块:用于基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中;
先验分布概率密度函数构建模块:用于建立温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数,且各参数先验分布满足正态分布;
后验分布概率密度函数构建模块:用于将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
Metropolis-Hastings算法设置模块:用于设定采样数量作为迭代次数,然后基于马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本;
候选样本生成模块:用于采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵作为协方差矩阵,基于协方差矩阵建立一个多元正态分布概率密度函数作为概率密度函数,概率密度函数的中心为Metropolis-Hastings算法设置模块中得到的初始样本,并从概率密度函数中生成一个候选样本;在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现;
接受比率计算模块:用于计算候选样本的接受比率;
参数样本选择模块:用于根据接受比率选择一个新的参数样本:在每次迭代中,将接受比率与从[0,1]中随机产生的数值进行比较。当接受比率不小于随机产生的数值时,则本次迭代选择的参数样本为当前迭代得到的参数样本,否则选择上一次迭代得到的参数样本作为本次迭代选择的参数样本;
循环执行检测模块:用于检查是否达到设定的采样数量即获得预设的参数样本数量,如果达到,则转由统计模块执行,否则由Metropolis-Hastings算法设置模块重新执行,并以参数样本选择模块中获得的参数样本作为先验分布平均值;
统计模块:用于对所有的样本进行统计,获得样本的统计特征,包括均值、中间值、标准差;
虚拟水流量传感器校正模块:用于对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征;
温度传感器校正模块:将温度传感器偏移量样本均值作为传感器误差偏移量,传输到冷却盘管系统的控制器中,校正传感器的测量精度。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
其中电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的方法。
具体使用中,用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互,实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备,包括但不限于智能手机、平板电脑、笔记本电脑和台式电脑等。其中终端设备上根据需要可安装各种具体的应用软件,包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端,如对收到的从终端设备传输过来的测量值数据集并提供相应计算服务的后台服务器。以实现对接收到的测量值数据集来进行计算并进行故障诊断,并将最终的故障诊断返回至终端设备。
本实施例所提供的故障诊断方法一般由服务器执行,在实际运用中,在满足必要条件下,终端设备亦可直接执行故障诊断,相应地,故障诊断装置可设置于服务器,同样在满足必要条件下,故障诊断装置也可设置于终端设备中。
类似的,本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种故障诊断方法。
以上所述仅为本发明的较佳具体实施方式,并不用以限制本发明的保护范围,任何熟悉本技术领域的技术人员通过简单修改或等效替换等均在本发明的保护范围内。
Claims (10)
1.一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法,其特征在于,步骤如下:
步骤1:基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中;
步骤2:建立温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数,且各参数先验分布满足正态分布;
步骤3:将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
步骤4:设定采样数量作为迭代次数,然后基于马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本;
步骤5:采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵作为协方差矩阵,基于协方差矩阵建立一个多元正态分布概率密度函数作为概率密度函数,概率密度函数的中心为步骤4中得到的初始样本,并从概率密度函数中生成一个候选样本;在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现;
步骤6:计算候选样本的接受比率;
步骤7:根据接受比率选择一个新的参数样本:在每次迭代中,将接受比率与从[0,1]中随机产生的数值进行比较;当接受比率不小于随机产生的数值时,则本次迭代选择的参数样本为当前迭代得到的参数样本,否则选择上一次迭代得到的参数样本作为本次迭代选择的参数样本;
步骤8:检查是否达到设定的采样数量即获得预设的参数样本数量,如果达到,则执行步骤9,否则返回步骤4,并以步骤7中获得的参数样本作为步骤4中的先验分布平均值;
步骤9:对所有的样本进行统计,获得样本的统计特征,包括均值、中间值和标准差;
步骤10:对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征并判断故障;
步骤11:将温度传感器偏移量样本均值作为传感器误差偏移量,传输到冷却盘管系统的控制器中,校正传感器的测量精度。
5.一种基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断装置,其特征在于,包括:
目标函数构建模块:用于基于传热方程和能量守恒方程建立温度传感器偏移量及冷却盘管换热性能虚拟传感的目标函数,并将实时测定的温度传感器测量值数据集输入到目标函数中;
先验分布概率密度函数构建模块:用于建立温度传感器偏移量及虚拟水流量传感器偏移量的先验分布概率密度函数,且各参数先验分布满足正态分布;
后验分布概率密度函数构建模块:用于将目标函数结合到贝叶斯推理的似然函数中,获得后验分布概率密度函数;
Metropolis-Hastings算法设置模块:用于设定采样数量作为迭代次数,然后基于马尔科夫链蒙特卡罗方法中的Metropolis-Hastings算法,将温度传感器偏移量及虚拟水流量传感器偏移量的先验分布平均值作为马尔科夫链的初始样本;
候选样本生成模块:用于采用对角线依次为温度传感器偏移量及虚拟水流量传感器偏移量的先验分布标准差的对角矩阵作为协方差矩阵,基于协方差矩阵建立一个多元正态分布概率密度函数作为概率密度函数,概率密度函数的中心为Metropolis-Hastings算法设置模块中得到的初始样本,并从概率密度函数中生成一个候选样本;在更新候选样本时,是通过向上个样本添加一个预定义数值范围内的随机数来实现;
接受比率计算模块:用于计算候选样本的接受比率;
参数样本选择模块:用于根据接受比率选择一个新的参数样本:在每次迭代中,将接受比率与从[0,1]中随机产生的数值进行比较;当接受比率不小于随机产生的数值时,则本次迭代选择的参数样本为当前迭代得到的参数样本,否则选择上一次迭代得到的参数样本作为本次迭代选择的参数样本;
循环执行检测模块:用于检查是否达到设定的采样数量即获得预设的参数样本数量,如果达到,则转由统计模块执行,否则由Metropolis-Hastings算法设置模块重新执行,并以参数样本选择模块中获得的参数样本作为先验分布平均值;
统计模块:用于对所有的样本进行统计,获得样本的统计特征,包括均值、中间值、标准差;
虚拟水流量传感器校正模块:用于对虚拟水流量传感器偏移量的所有样本数值换算成冷却盘管换热性能退化水平值,获得冷却盘管换热性能退化水平样本的统计特征;
温度传感器校正模块:将温度传感器偏移量样本均值作为传感器误差偏移量,传输到冷却盘管系统的控制器中,校正传感器的测量精度。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489596.1A CN111652375B (zh) | 2020-06-02 | 2020-06-02 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489596.1A CN111652375B (zh) | 2020-06-02 | 2020-06-02 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652375A CN111652375A (zh) | 2020-09-11 |
CN111652375B true CN111652375B (zh) | 2023-06-06 |
Family
ID=72348428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489596.1A Active CN111652375B (zh) | 2020-06-02 | 2020-06-02 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652375B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113188818B (zh) * | 2021-01-19 | 2022-08-19 | 南京信息工程大学 | 一种基于dhmm和cpdspc的空调机组故障诊断方法 |
CN113188585B (zh) * | 2021-06-09 | 2022-05-27 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
CN113375832B (zh) * | 2021-08-12 | 2021-11-05 | 天津飞旋科技股份有限公司 | 温度监测系统、方法、装置、电机设备及计算机存储介质 |
CN114659547B (zh) * | 2022-05-20 | 2022-08-09 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983490B1 (en) * | 2007-12-20 | 2011-07-19 | Thomas Cecil Minter | Adaptive Bayes pattern recognition |
CN109270461A (zh) * | 2018-10-15 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于贝叶斯网络的故障检测方法 |
CN109668588A (zh) * | 2019-02-27 | 2019-04-23 | 天津大学 | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 |
CN109951327A (zh) * | 2019-03-05 | 2019-06-28 | 南京信息职业技术学院 | 一种基于贝叶斯混合模型的网络故障数据合成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10533920B2 (en) * | 2014-08-05 | 2020-01-14 | Acoem France | Automatic rotating-machine fault diagnosis with confidence level indication |
CN108664400B (zh) * | 2018-05-11 | 2020-08-04 | 北京航空航天大学 | 一种基于相依贝叶斯网络的故障诊断技术的构建方法 |
-
2020
- 2020-06-02 CN CN202010489596.1A patent/CN111652375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983490B1 (en) * | 2007-12-20 | 2011-07-19 | Thomas Cecil Minter | Adaptive Bayes pattern recognition |
CN109270461A (zh) * | 2018-10-15 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于贝叶斯网络的故障检测方法 |
CN109668588A (zh) * | 2019-02-27 | 2019-04-23 | 天津大学 | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 |
CN109951327A (zh) * | 2019-03-05 | 2019-06-28 | 南京信息职业技术学院 | 一种基于贝叶斯混合模型的网络故障数据合成方法 |
Non-Patent Citations (2)
Title |
---|
K. Verbert等.Combining knowledge and historical data for system-level fault diagnosis of HVAC systems.Engineering Applications of Artificial Intelligence.2017,第260-273页. * |
张慧 ; 杨学宾 ; 方兴 ; 余莎莎 ; 晏新奇 ; .基于贝叶斯网络的空调冷水阀故障检测与诊断.东华大学学报(自然科学版).2020,(第01期),第141-147页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111652375A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652375B (zh) | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 | |
CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
AU2017317610A1 (en) | Method and device for detecting equivalent load of wind turbine | |
Liu et al. | A novel fault diagnosis and self-calibration method for air-handling units using Bayesian Inference and virtual sensing | |
WO2019196427A1 (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
Qiu et al. | Failure rate prediction of electrical meters based on weighted hierarchical Bayesian | |
Sun et al. | Flow measurement uncertainty quantification for building central cooling systems with multiple water-cooled chillers using a Bayesian approach | |
US10817630B2 (en) | Apparatus and method for analyzing buildings | |
Wang et al. | In-situ sensor correction method for data center cooling systems using Bayesian Inference coupling with autoencoder | |
CN117631719B (zh) | 一种基于物联网的智能供暖设备故障数据处理方法及系统 | |
Chen et al. | Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data | |
Feng et al. | A fully distributed voting strategy for AHU fault detection and diagnosis based on a decentralized structure | |
Huang et al. | A federated dictionary learning method for process monitoring with industrial applications | |
You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
Wu et al. | Real-time monitoring and diagnosis scheme for IoT-enabled devices using multivariate SPC techniques | |
CN117057486B (zh) | 电力系统的运维成本预测方法、装置、设备及存储介质 | |
Sun et al. | A novel in-situ sensor calibration method for building thermal systems based on virtual samples and autoencoder | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
US20210191378A1 (en) | Robust fault detection and diagnosis by constructing an ensemble of detectors | |
Yan et al. | AHU sensor minor fault detection based on piecewise ensemble empirical mode decomposition and an improved combined neural network | |
Eklund et al. | Using a digital twin as the objective function for evolutionary algorithm applications in large scale industrial processes | |
Yan et al. | A hybrid clustering multi-source fault diagnosis method for chiller temperature sensors | |
CN113434034B (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 |
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 |