CN112269367B - 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 - Google Patents
基于eemd-组合神经网络空气处理系统的故障检测方法及系统 Download PDFInfo
- Publication number
- CN112269367B CN112269367B CN202011091505.5A CN202011091505A CN112269367B CN 112269367 B CN112269367 B CN 112269367B CN 202011091505 A CN202011091505 A CN 202011091505A CN 112269367 B CN112269367 B CN 112269367B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sensor data
- auxiliary
- basic
- combined
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于EEMD‑组合神经网络空气处理系统的故障检测方法及系统,包括获取实时采集的空气处理系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络;分别计算基础神经网络和辅助神经网络的绝对误差,并分别得到基础神经网络和辅助神经网络的相对误差;利用基础神经网络和辅助神经网络的相对误差,构建组合神经网络的综合误差模型,并获得组合神经网络的综合误差值;利用组合神经网络的综合误差值对空气处理系统故障信息进行判断,获取空气处理系统的故障检测结果,大幅度减少了虚警率,有效提高了故障检测率,准确率较高。
Description
技术领域
本发明属于空气处理系统故障检测技术领域,特别涉及一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统。
背景技术
随着建筑设备的不断发展,供热、供暖、通风和空调系统的自动化控制系统的发展日益进步,在提供更精准的热舒适度要求下,对于节能减排的要求也日益提升;因此,每个控制组件都需要在综合复杂的控制策略下做出控制动作,若其中控制系统某一部分出现故障,则会直接影响供热、供暖、通风和空调系统的输出结果,影响该系统的最佳运行甚至是损坏;传感器作为控制系统的前哨,如果传感器产生了故障,反馈错误的测量信号,则会导致控制系统做出错误的工作命令,对建筑物室内的热舒适性和节能减排做出消极影响,甚至会对整个供热、供暖、通风和空调系统的控制系统造成物理损坏。然而,在长期的使用和恶劣的工作环境中,传感器总是容易产生故障的,例如:完全故障、固定偏向的故障、漂移偏向的故障和精度下降故障。
目前,BP神经网络已经广泛的应用到了空调系统传感器的故障诊断中,但在一些小程度的故障上仍不能有很好的效果;原因在于目前的BP神经网络在预测数据中存在着较大的误差值,如果该误差值的误差范围大于空调系统传感器故障的程度,则很难区分是神经网络数据预测结果本身误差导致的还是空调系统传感器故障导致的;对于神经网络单体的结构修改日趋完善,但是对于微小程度故障的检测和正常数据的虚警率仍不能达到高精度系统的使用要求。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统,以解决现有空气处理系统的故障检测误差较大,准确率低的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明公开了一种基于EEMD-组合神经网络空气处理系统的故障检测方法,包括:
获取实时采集的空气处理系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络;
分别计算基础神经网络和辅助神经网络的绝对误差,并分别得到基础神经网络和辅助神经网络的相对误差;
利用基础神经网络和辅助神经网络的相对误差,构建组合神经网络的综合误差模型,并获得组合神经网络的综合误差值;
利用组合神经网络的综合误差值对空气处理系统故障信息进行判断,获取空气处理系统的故障检测结果。
进一步的,具体包括以下步骤:
步骤1、获取实时采集的空调系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
步骤2、将传感器数据样本中的传感器数据打乱,随机分组,得到基础神经网络数据组、辅助神经网络数据组及实验数据组;
步骤3、将基础神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练基础神经网络,根据基础神经网络的输入得到基础神经网络的预测输出量;
步骤4、利用基础神经网络的输入量,构建输入量矩阵;其中,输入量矩阵中的列向量为同一类型的传感器数据;对输入量矩阵进行主元分析,得到第一主元分析矩阵Marx1,并获取第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型;
利用基础神经网络的输入量及预测输出量,构建第一输入-预测输出量矩阵Mar1,得到基础神经网络的预测输出量的列特征值λ1,i及其列特征值的贡献量con1,i;其中,i为基础神经网络的预测输出量列特征值内第i个特征值;
步骤5、将辅助神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练辅助神经网络,根据辅助神经网络的输入得到辅助神经网络的预测输出量;其中,辅助神经网络的输出量对应的传感器数据类型与第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型一致;
步骤6、利用辅助神经网络的输入量和预测输出量,构建第二输入-预测输出量矩阵;其中,第二输入-预测输出量矩阵的列向量为同一类型的传感器数据;对第二输入-预测输出量矩阵进行主元分析,得到第二主元分析矩阵Mar2;在第二主元分析矩阵Mar2中,获取辅助神经网络的预测输出量对应的列向量,计算得到辅助神经网络的预测输出量的列特征值λ2,j及其列特征值的贡献量con2,j;其中,j为辅助神经网络的预测输出量列特征值内第j个特征值;
步骤7、分别获取基础神经网络的输出量与预测输出量的绝对误差φ1及辅助神经网络的输出量与预测输出量的绝对误差φ2,并分别求得基础神经网络的相对误差φt1及辅助神经网络的相对误差φt2;
步骤8、利用基础神经网络的预测输出量的列特征值的贡献量con1,i及辅助神经网络的预测输出量的列特征值的贡献量con2,j,按照权重分配,构建组合神经网络的综合误差模型η;将实验数据组中同一时刻的某一组传感器数据作为组合神经网络的综合误差模型的输入量,计算对应时刻组合神经网络的综合误差值;
步骤9、将步骤8中的组合神经网络的综合误差值与预设阈值进行对比,获取空气处理系统的故障检测结果。
与现有技术相比,本发明的有益效果为:
本发明所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统,利用EEMD数据处理方法对采集的穿杆球参数进行降噪处理,实现了对含有色噪声的传感器数据的有效降噪;将降噪后的传感器数据应用于组合神经网络上,大幅提高了故障检测率;通过利用组合神经网络中的基础神经网络及辅助神经网络的相对误差,构造组合神经网络的综合误差模型,利用综合误差模型获取对应时刻的综合误差值,利用综合误差值对空气处理系统故障信息进行判断,在不影响故障诊断率的基础上,大幅度减少了虚警率,有效提高了故障检测率,故障检测准确率较高。
本发明提供了一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统,首先利用EEMD数据处理方法对采集的传感器参数进行去噪,获得纯净的传感器数据;在获得纯净的传感器数据后,分成三组,分别在基础神经网络、辅助神经网络和实验证明使用;构建基础神经网络后,利用第一组传感器数据进行训练,得到训练好的基础神经网络,并将输入量按照传感器数据的类型,每一列为一类传感器数据的形式构建成输入量矩阵进行主元分析,找到特征值最大列特征值对应的列向量的传感器数据类型作为辅助神经网络的输出量的传感器数据类型;将第二组传感器数据中的其余传感器数据类型作为辅助神经网络的输入量的数据类型,构建辅助神经网络;并得到基础神经网络预测输出量的列特征值的贡献量;利用构造好辅助神经网络输入第二组数据进行训练,获得训练好的辅助神经网络,如同基础神经网络的方式一样,获得辅助神经网络的预测输出量的列特征值的贡献量;最后通过构造综合误差模型,利用综合误差对被检测的系统进行故障诊断;本发明从结构上采用基础神经网络和辅助神经网络构成组合神经网络,利用组合神经网络对于多变量更敏感的优点来提高对于故障的检测率;利用EEMD数据处理方法对采集的传感器数据进行去噪及利用组合神经网络中的基础神经网络及辅助神经网络的相对误差,构造组合神经网络的综合误差模型,在组合神经网络的基础上进行改善,从而大幅度提高对于故障的检测能力和降低对于故障的容错能力,通过改进数据处理和相对误差方法提升检测的准确率。
附图说明
图1为实施例中空调系统传感器回风温度数据,增加1/单位的漂移故障程度下的相对误差结果曲线图;
图2为实施例中空调系统传感器回风温度数据,增加20%的偏置故障程度下的相对误差结果曲线图。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于EEMD-组合神经网络空气处理系统的故障检测方法,包括:
获取实时采集的空气处理系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络;
分别计算基础神经网络和辅助神经网络的绝对误差,并分别得到基础神经网络和辅助神经网络的相对误差;
利用基础神经网络和辅助神经网络的相对误差,构建组合神经网络的综合误差模型,并获得组合神经网络的综合误差值;
利用组合神经网络的综合误差值对空气处理系统故障信息进行判断,获取空气处理系统的故障检测结果。
本发明所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法,具体包括以下步骤:
步骤1、获取实时采集的空调系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;其中,传感器数据样本包括若干组传感器数据;每一组传感器数据包括新风温度、新风湿度、送风温度、送风湿度、回风湿度及回风温度;
其中,利用EEMD数据处理方法对采集的传感器参数进行降噪处理时,具体降噪原理为:
将白噪声参数加入至原始传感器参数,得到新传感器参数,将新传感器参数按照EMD方式分解;即求出新传感器参数的局部最大值和极小值,利用局部最大值和极小值之和的平均数得到IMF,利用新传感器参数减去IMF,将减去的值重复上述行为,直到极值数量和零交叉数量必须相等或最多差1和局部极大值定义的包络和局部最小值的包络的均值为0,满足其中一个条件即可后停止;
利用EMD分解后的传感器参数会得到各阶层的IMF分量和一个残差,反复加入强度相同,但序列不等的白噪声参数,然后进行EMD分解,直到增加的白噪声参数在时频空间分布一致时,停止增加白噪声参数,并将所得到的IMF和残差集合作为最终结果,即得到所述的传感器数据样本。
步骤2、将传感器数据样本中的传感器数据打乱,按2:2:1的比例随机分三组,得到基础神经网络数据组、辅助神经网络数据组及实验数据组。
步骤3、将基础神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练基础神经网络,根据基础神经网络的输入得到基础神经网络的预测输出量;
其中,基础神经网络采用第一BP神经网络,第一BP神经网络的输入层包括五个输入点,输出层包括一个输出点,隐含层包八个神经元;其中,将基础神经网络数据组中每一组传感器数据中的新风湿度、送风温度、送风湿度以回风湿度作为输入量,回风温度作为输出量。
步骤4、利用基础神经网络的输入量,构建输入量矩阵;其中,输入量矩阵中的列向量为同一类型的传感器数据;对输入量矩阵进行主元分析,得到第一主元分析矩阵Marx1,计算得到第一主元分析矩阵Marx1中最大特征值对应的列向量,并获取第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型;
其中,对输入量矩阵进行主元分析时,具体的主元分析原理为:
将输入量矩阵的每一列向量求出均值,并将每一列列向量的传感器数据减去均值,然后计算协方差矩阵,并计算协方差矩阵的特征矢量和特征值,其特征值即为第一主元分析矩阵Marx1中最大特征值。
利用基础神经网络的输入量及预测输出量,构建第一输入-预测输出量矩阵Mar1,得到基础神经网络的预测输出量的列特征值λ1,i及其列特征值的贡献量con1,i;
其中,基础神经网络的预测输出量的列特征值的贡献量con1,i的数学表达式为:
其中,n为传感器数据样本中传感器数据的组数;i为基础神经网络的预测输出量列特征值内第i个特征值;。
步骤5、将辅助神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练辅助神经网络,根据辅助神经网络的输入得到辅助神经网络的预测输出量;其中,辅助神经网络的输出量对应的传感器数据类型与第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型一致;
其中,辅助神经网络均采用第二BP神经网络,第二BP神经网络的输入层包括五个输入点,输出层包括一个输出点,隐含层包八个神经元;其中,将辅助神经网络数据组中每一组传感器数据中的新风湿度、送风温度、送风湿度以回风湿度作为输入量,回风温度作为输出量。
步骤6、利用辅助神经网络的输入量和预测输出量,构建第二输入-预测输出量矩阵;其中,第二输入-预测输出量矩阵的列向量为同一类型的传感器数据;对第二输入-预测输出量矩阵进行主元分析,得到第二主元分析矩阵Mar2;其中,对第二输入-预测输出矩阵进行主元分析时,与对输入量矩阵进行主元分析的操作方法一致;在第二主元分析矩阵Mar2中,获取辅助神经网络的预测输出量对应的列向量,计算得到辅助神经网络的预测输出量的列特征值λ2,j及其列特征值的贡献量con2,j;
其中,辅助神经网络的预测输出量的列特征值的贡献量con2,j的数学表达式为:
其中,j为辅助神经网络的预测输出量列特征值内第j个特征值。
步骤7、分别获取基础神经网络的输出量与预测输出量的绝对误差φ1及辅助神经网络的输出量与预测输出量的绝对误差φ2,并分别求得基础神经网络的相对误差φt1及辅助神经网络的相对误差φt2;
其中,基础神经网络的输出量与预测输出量的绝对误差φ1的数学表达式为:
φ1=|yfr1-ytr1|
其中,yfr1为基础神经网络的预测输出量;
ytr1为基础神经网络的输出量;
辅助神经网络的输出量与预测输出量的绝对误差φ2的数学表达式为:
φ2=|yfr2-ytr2|
其中,yfr2为辅助神经网络的预测输出量;
ytr2为辅助神经网络的输出量。
基础神经网络的相对误差φt1的数学表达式为:
其中,φstd1为历史正常数据测试下的基础神经网络95%置信度区间下的绝对误差;
辅助神经网络的相对误差φt2的数学表达式为:
其中,φstd2为历史正常数据测试下的辅助神经网络95%置信度区间下的绝对误差。
步骤8、利用基础神经网络的预测输出量的列特征值的贡献量con1,i及辅助神经网络的预测输出量的列特征值的贡献量con2,j,按照权重分配,构建组合神经网络的综合误差模型η;将实验数据组中同一时刻的某一组传感器数据作为组合神经网络的综合误差模型的输入量,计算对应时刻组合神经网络的综合误差值;
其中,组合神经网络的综合误差模型η的数学表达式为:
步骤9、选取预设故障阈值,将步骤8中的组合神经网络的综合误差值与预设故障阈值进行对比,获取空气处理系统的故障检测结果,其中,组合神经网络的综合误差值与预设故障阈值进行对比时,当组合神经网络的综合误差值大于预设故障阈值时,判断空气处理系统的存在故障;当组合神经网络的综合误差值小于或等于预设故障阈值时,判断空气处理系统的无故障。
本发明还提供了一种基于EEMD-组合神经网络空气处理系统的故障检测系统,包括数据采集模块、数据处理模块、样本输入模块、结果输出模块及故障预测模块;
数据采集模块,用于获取实时采集的空气处理系统中的传感器参数;
数据处理模块,用于利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
样本输入模块,用于将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络;
结果输出模块,用于计算基础神经网络和辅助神经网络的绝对误差,并分别得到基础神经网络和辅助神经网络的相对误差,构建组合神经网络的综合误差模型,并获得组合神经网络的综合误差值
故障预测模块,用于利用组合神经网络的综合误差值对空气处理系统故障信息进行判断,获取空气处理系统的故障检测结果。
本发明所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统,能够适用于中央空调系统,本发明从结构上采用基础神经网络和辅助神经网络构成,利用组合神经网络对于多变量更敏感的优点来提高对于故障的检测率;通过在组合神经网络的基础上进行改善,在原有组合神经网络的基础上,完善了EEMD数据处理方法,相比较于小波去噪法,可以更好地处理现实工程应用得到的含有有色噪声的数据,可以在组合神经网络的基础上大幅度提高故障检测率;但是仅仅使用EEMD数据处理方法会导致较高的虚警率,即在正常工况下错误报警的概率,显然这样是无法应用到实际应用中的,故在此基础上提出了相对误差的改进方法,在不影响故障诊断率的基础上,大幅度减少了虚警率,从而使得本方法具有了实用性;因此,本发明通过采用EEMD数据处理方法和相对误差的改进大大提高了故障检测率和减少了虚警率;在原有组合神经网络的基础上大幅度提高对于故障的检测能力和降低对于故障的容错能力。
实施例
本实施例中以中央空调系统为例,实时采集中央空调系统的传感器参数,具体获取某中央空调系统的1000组传感器参数,利用本发明所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法进行故障诊断,具体步骤包括以下:
步骤1、实时采集某中央空调系统1000组传感器参数,其中,每组传感器参数中包括同一时刻该中央空调系统的新风温度、新风湿度、送风温度、送风湿度、回风湿度和回风温度;将上述同一时刻该中央空调系统的六种传感器参数,分别按照传感器数据类型的区分进行EEMD数据处理方法,进行降噪处理,得到传感器数据样本。
步骤2、将传感器数据样本中的传感器数据打乱后,按照2:2:1的比例进行随机分配,得到基础神经网络数据组、辅助神经网络数据组及实验数据组。
步骤3、采用第一BP神经网络构建基础神经网络,其中,第一BP神经网络的输入层包括五个输入点,输出层包括一个输出点,隐含层包括八个神经元;将基础神经网络数据组中的新风湿度、送风温度、送风湿度及回风湿度作为输入量,将基础神经网络数据组中回风温度作为输出量,训练基础神经网络并得到的训练好的基础神经网络。
步骤4、将基础神经网络的输入量中的新风温度、新风湿度、送风温度、送风湿度及回风湿度五种传感器数据作为按照不同类型,每一类为每一列向量数据,构建输入量矩阵,对输入量矩阵进行主元分析,得到第一主元分析矩阵Marx1;并利用主元分析法,求出第一主元分析矩阵Marx1的矩阵特征值,并获取第一主元分析矩阵Marx1中最大特征值对应的列向量,并获取第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型;
利用基础神经网络的输入量及预测输出量,构建第一输入-预测输出量矩阵Mar1,得到基础神经网络的预测输出量的列特征值;
计算结果得知,新风温度的列特征值=1.3557,新风湿度的列特征值=0.7669,送风温度的列特征值=1.1360,送风湿度的列特征值=1.0343以及回风湿度的列特征值=0.8687;
其中,新风温度的特征值在第一主元分析矩阵Marx1的列特征值中最大,为1.3557,故将新风温度作为辅助神经网络的输出量对应的传感器数据类型;
利用基础神经网络的输入量及预测输出量,构建包含预测输出量六种传感器数据的第一输入-预测输出量矩阵Mar1,且基础神经网络的预测输出量的列特征值λ1,i及其列特征值的贡献量con1,i;
其中,基础神经网络的预测输出量的列特征值贡献量con1,i的数学表达式为:
其中,n为传感器数据样本中传感器数据的组数。
步骤5、采用第二BP神经网络构建辅助神经网络,将辅助神经网络数据组中的新风湿度、送风温度、送风湿度、回风温度、回风湿度作为输入量,将辅助神经网络数据组中的新风温度作为预测输出量,得到的训练好的辅助神经网络;其中,第二BP神经网络的输入层包括五个输入点,输出层包括一个输出点,隐含层包括八个神经元;
步骤6、利用辅助神经网络的输入量和预测输出量,构建第二输入-预测输出量矩阵,其中,第二输入-预测输出量矩阵中的列向量为同一类型的传感器数据;对第二输入-预测输出量矩阵进行主元分析,得到第二主元分析矩阵Mar2;在第二主元分析矩阵Mar2中,获取辅助神经网络的预测输出量对应的列向量,,计算得到辅助神经网络的预测输出量的列特征值λ2,j及其列特征值的贡献量con2,j;
其中,辅助神经网络的预测输出量的列特征值的贡献量con2,j的数学表达式为:
步骤7、分别获取基础神经网络的输出量与预测输出量的绝对误差φ1及辅助神经网络的输出量与预测输出量的绝对误差φ2,并分别求得基础神经网络的相对误差φt1及辅助神经网络的相对误差φt2;
其中,基础神经网络的输出量与预测输出量的绝对误差φ1的数学表达式为:
φ1=|yfr1-ytr1|
其中,yfr1为基础神经网络的预测输出量;
ytr1为基础神经网络的输出量;
辅助神经网络的输出量与预测输出量的绝对误差φ2的数学表达式为:
φ2=|yfr2-ytr2|
其中,yfr2为辅助神经网络的预测输出量;
ytr2为辅助神经网络的输出量。
基础神经网络的相对误差φt1的数学表达式为:
其中,φstd1为历史正常数据测试下的基础神经网络95%置信度区间下的绝对误差;
辅助神经网络的相对误差φt2的数学表达式为:
其中,φstd2为历史正常数据测试下的辅助神经网络95%置信度区间下的绝对误差。
步骤8、利用基础神经网络的预测输出量的列特征值的贡献量con1,i及辅助神经网络的预测输出量的列特征值的贡献量con2,j,按照权重分配,构建组合神经网络的综合误差模型η;将实验数据组中同一时刻的某一组传感器数据作为组合神经网络的综合误差模型的输入量,计算对应时刻组合神经网络的综合误差值;
其中,组合神经网络的综合误差模型η的数学表达式为:
步骤9、选取预设故障阈值,将步骤8中的组合神经网络的综合误差值与预设故障阈值进行对比,获取空气处理系统的故障检测结果,其中,组合神经网络的综合误差值与预设故障阈值进行对比时,当组合神经网络的综合误差值大于预设故障阈值时,判断空气处理系统的存在故障;当组合神经网络的综合误差值小于或等于预设故障阈值时,判断空气处理系统的无故障。
检测结果分析
在实施例中正常回风温度数据中增加漂移故障程度为1/单位的故障下,分别采用一般组合神经网络(小波神经网络)、本发明所述的EEMD+组合神经网络(修改相对误差,构建综合误差)、EEMD+组合神经网络(未构建综合误差)及EEMD+BP神经网络(未构建综合误差)的故障预测方法,对该中央空调系统的故障信息进行判断,检测结果如下表及附图1所示:
从上表及附图1中可以看出,采用本发明所述的EEMD+组合神经网络,并对相对误差进行修改,构建综合误差进行中央空调系统故障信息检测时,其检测率为68.5%,虚警率为12.63%,大幅度减少了虚警率,有效提高了故障检测率,故障检测准确率较高。
在实施例中正常回风温度数据中增加20%的偏执故障下,分别采用一般组合神经网络(小波神经网络)、本发明所述的EEMD+组合神经网络(修改相对误差,构建综合误差)、EEMD+组合神经网络(未构建综合误差)及EEMD+BP神经网络(未构建综合误差)的故障预测方法,对该中央空调系统的故障信息进行判断,检测结果如下表及附图2所示:
从上表及附图2中可以看出,采用本发明所述的EEMD+组合神经网络,并对相对误差进行修改,构建综合误差进行中央空调系统故障信息检测时,其检测率为99.0%,虚警率为10.75%,大幅度减少了虚警率,有效提高了故障检测率,故障检测准确率较高。
本发明所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法及系统,在空气处理系统故障检测方法在原有的组合神经网络基础上,通过EEMD数据处理方法,对故障进行诊断,实验证明该方法与原方法相比,大幅度提高了故障诊断检测率,但是也造成了极高的虚警率,因此通过对相对误差的调整,该方法可以在不影响检测率的基础上减少错误的虚警率,从而增强实用性。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (8)
1.一种基于EEMD-组合神经网络空气处理系统的故障检测方法,其特征在于,包括:
获取实时采集的空气处理系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络;
分别计算基础神经网络和辅助神经网络的绝对误差,并分别得到基础神经网络和辅助神经网络的相对误差;
利用基础神经网络和辅助神经网络的相对误差,构建组合神经网络的综合误差模型,并获得组合神经网络的综合误差值;
利用组合神经网络的综合误差值对空气处理系统故障信息进行判断,获取空气处理系统的故障检测结果;
具体包括以下步骤:
步骤1、获取实时采集的空调系统中的传感器参数,利用EEMD数据处理方法对采集的传感器参数进行降噪处理,得到传感器数据样本;
步骤2、将传感器数据样本中的传感器数据打乱,随机分组,得到基础神经网络数据组、辅助神经网络数据组及实验数据组;
步骤3、将基础神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练基础神经网络,根据基础神经网络的输入得到基础神经网络的预测输出量;
步骤4、利用基础神经网络的输入量,构建输入量矩阵;其中,输入量矩阵中的列向量为同一类型的传感器数据;对输入量矩阵进行主元分析,得到第一主元分析矩阵Marx1,并获取第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型;
利用基础神经网络的输入量及预测输出量,构建第一输入-预测输出量矩阵Mar1,得到基础神经网络的预测输出量的列特征值λ1,i及其列特征值的贡献量con1,i;
步骤5、将辅助神经网络数据组中的一部分传感器数据作为输出量,剩余部分传感器数据作为输入量,构建并训练辅助神经网络,根据辅助神经网络的输入得到辅助神经网络的预测输出量;其中,辅助神经网络的输出量对应的传感器数据类型与第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型一致;
步骤6、利用辅助神经网络的输入量和预测输出量,构建第二输入-预测输出量矩阵;其中,第二输入-预测输出量矩阵的列向量为同一类型的传感器数据;对第二输入-预测输出量矩阵进行主元分析,得到第二主元分析矩阵Mar2;在第二主元分析矩阵Mar2中,获取辅助神经网络的预测输出量对应的列向量,计算得到辅助神经网络的预测输出量的列特征值λ2,j及其列特征值的贡献量con2,j;
步骤7、分别获取基础神经网络的输出量与预测输出量的绝对误差φ1及辅助神经网络的输出量与预测输出量的绝对误差φ2,并分别求得基础神经网络的相对误差φt1及辅助神经网络的相对误差φt2;
步骤8、利用基础神经网络的预测输出量的列特征值的贡献量con1,i及辅助神经网络的预测输出量的列特征值的贡献量con2,j,按照权重分配,构建组合神经网络的综合误差模型η;将实验数据组中同一时刻的某一组传感器数据作为组合神经网络的综合误差模型的输入量,计算对应时刻组合神经网络的综合误差值;
步骤9、将步骤8中的组合神经网络的综合误差值与预设阈值进行对比,获取空气处理系统的故障检测结果。
2.根据权利要求1所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法,其特征在于,步骤1中,传感器数据样本包括若干组传感器数据,每一组传感器数据包括新风温度、新风湿度、送风温度、送风湿度、回风湿度及回风温度。
3.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法,其特征在于,步骤3中和步骤5中,基础神经网络及辅助神经网络均采用BP神经网络,BP神经网络的输入层包括五个输入点,输出层包括一个输出点,隐含层包八个神经元;其中,将每一组传感器数据的新风湿度、送风温度、送风湿度以回风湿度作为输入量,回风温度作为输出量。
5.根据权利要求1所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法,其特征在于,步骤7中,基础神经网络的输出量与预测输出量的绝对误差φ1的数学表达式为:
φ1=|yfr1-ytr1|
其中,yfr1为基础神经网络的预测输出量;
ytr1为基础神经网络的输出量;
辅助神经网络的输出量与预测输出量的绝对误差φ2的数学表达式为:
φ2=|yfr2-ytr2|
其中,yfr2为辅助神经网络的预测输出量;
ytr2为辅助神经网络的输出量。
8.根据权利要求1所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法,其特征在于,步骤9中,组合神经网络的综合误差值与预设阈值进行对比时,当组合神经网络的综合误差值大于预设阈值时,判断空气处理系统的存在故障;当组合神经网络的综合误差值小于或等于预设阈值时,判断空气处理系统的无故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091505.5A CN112269367B (zh) | 2020-10-13 | 2020-10-13 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091505.5A CN112269367B (zh) | 2020-10-13 | 2020-10-13 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269367A CN112269367A (zh) | 2021-01-26 |
CN112269367B true CN112269367B (zh) | 2022-04-08 |
Family
ID=74338032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011091505.5A Active CN112269367B (zh) | 2020-10-13 | 2020-10-13 | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269367B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867306A (zh) * | 2021-07-30 | 2021-12-31 | 西安建筑科技大学 | 一种地铁站厅空调系统故障检测方法及系统 |
CN117167903B (zh) * | 2023-11-03 | 2024-01-30 | 江苏中安建设集团有限公司 | 基于人工智能的暖通设备异物故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101029892A (zh) * | 2007-03-30 | 2007-09-05 | 浙江大学 | 基于蚁群优化bp神经网络模型的煤灰熔点预测方法 |
CN101458506A (zh) * | 2009-01-08 | 2009-06-17 | 浙江工业大学 | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX351680B (es) * | 2012-05-31 | 2017-10-25 | Univ Connecticut | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
-
2020
- 2020-10-13 CN CN202011091505.5A patent/CN112269367B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101029892A (zh) * | 2007-03-30 | 2007-09-05 | 浙江大学 | 基于蚁群优化bp神经网络模型的煤灰熔点预测方法 |
CN101458506A (zh) * | 2009-01-08 | 2009-06-17 | 浙江工业大学 | 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN107909221A (zh) * | 2017-12-08 | 2018-04-13 | 国网山东省电力公司枣庄供电公司 | 基于组合神经网络的电力系统短期负荷预测方法 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
基于EEMD-BP神经网络的含电采暖的配电变压器短期负荷预测;李香龙 等;《电测与仪表》;20180531;第55卷(第10期);第101-107页 * |
基于集合经验模态分解与BP组合模型的短期余水位预测;屠泽杰 等;《海洋通报》;20200229;第39卷(第01期);第78-85,110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112269367A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112269367B (zh) | 基于eemd-组合神经网络空气处理系统的故障检测方法及系统 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN109085805A (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
CN111079805A (zh) | 一种结合注意力机制及信息熵最小化的异常图像检测方法 | |
CN114280935A (zh) | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 | |
CN106600605A (zh) | 一种无监督的快速图像分割算法 | |
CN111461187A (zh) | 一种建筑物沉降智能检测系统 | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN109144039A (zh) | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 | |
CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN111814976A (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
Chen et al. | Satellite on-orbit anomaly detection method based on a dynamic threshold and causality pruning | |
CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
CN111241482B (zh) | 面向多参数系统异常工作状态检测的方法和系统 | |
CN113190960A (zh) | 一种基于非等维状态混合估计的并行imm机动目标跟踪方法 |
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 |