CN112766047A - 一种制冷系统故障诊断方法及制冷装置 - Google Patents

Abstract

本发明公开了一种制冷系统故障诊断方法及制冷装置，属于故障诊断及人工智能领域，包括(1)构建BN网络模型；(2)获取目标信号节点与故障信号节点的先验概率值；(3)收集BN网络信息；(4)对条件互信息矩阵的数据进行松弛操作，构造与故障特征相匹配的TAN分类器模型；(5)重新计算条件概率矩阵；(6)计算故障信号节点与特征信号节点间的后验概率；(7)检验后验概率值；(8)将各个状态下的后验概率值，按照从大到小的顺序排序，取最大后验概率值所对应的状态，为目标信号节点的优先诊断/预测分类结果等步骤。该方法网络模型构建简单，有稳定的分类效率，能精确处理多类任务，对缺失数据不敏感，诊断速度快、效率高。

Description

一种制冷系统故障诊断方法及制冷装置

技术领域

本发明涉及制冷系统故障诊断及人工智能领域，具体涉及一种制冷系统故障诊断方法及制冷装置。

背景技术

制冷系统一旦发生故障，会造成环境的舒适性或所要求的冷冻温度得不到保证，严重的将导致系统设备损坏。其次，当制冷系统运行在故障状态时，系统能耗往往增大，造成能源浪费。因此，对制冷系统的故障机理进行研究，建立有效、准确的故障诊断模式对实现制冷系统的实时在线监控、故障先兆预测和优化运行十分重要。

故障诊断技术是一门应用型边缘学科,其理论基础涉及多门学科,如现代控制理论、计算机工程、数理统计、模糊集理论、信号处理、模式识别等。

近年来，制冷系统故障诊断的方法随着人工智能、计算机、模式识别、数据通讯、信号分析处理等技术的发展而不断完善和更新。常用的诊断方法有经典专家系统、模糊理论、神经网络等。直接运用上述方法对制冷系统进行故障检测与诊断，需要测量的过程变量较多，这意味着需要更多的传感器，进而使成本增加，而且变量维数过大，相互之间具有较强的相关性和冗余，影响识别的准确性。此外，上述的常用故障诊断方法还有以下的缺点：其一，经典专家系统和模糊数学故障树方法是需要建立精确系统模型，都严重依赖专业知识库，学习能力不强，一般无法自动进行知识更新，处理动态关联系统成本极高；其二，对于BP网络方法，虽然不依赖于系统模型，学习能力强，抗噪性强，但是依然有训练时间不受控、严重依赖训练样本集、无法做推理预测的缺点(BP网络每次训练出的参数结果都不一样，如果训练样本集有变化，学习的结果也同样摇摆不定)。

中国专利CN109902741A一种制冷系统故障诊断方法，包括以下步骤:通过模拟冷水机组故障实验，采集并处理后得到训练组数据和测试组数据；设置深度神经网络的节点数及层数；建立深度神经网络模型，确定深度神经网络的拓扑结构，该拓扑结构包括深度神经网络的输入层数、权值以及阈值；确定深度神经网络的训练步数；在深度神经网络模型中应用训练组数据进行训练后得到故障诊断模型；采用小批量动量随机梯度下降法对深度神经网络进行训练；设置深度神经网络的学习率；计算损失函数C；采用模拟退火算法对学习率进行优化：得到最优学习率；满足训练结束条件，得到训练好的故障诊断模型；使用训练好的故障诊断模型对S2中测试组数据进行故障诊断，得到故障诊断结果。但是该方法诊断的制冷系统故障不够准确，仍然具有改进的空间。

另一份中国专利CN107806690B，一种基于贝叶斯网络的家用空调故障诊断方法，贝叶斯网络的结构定性地描述了大部分家用空调器典型故障与其依赖发生条件和故障征兆之间的复杂的因果关系；该贝叶斯网络的有向边所代表的条件概率表定量地描述了因果关系中的概率值。该方法能够融合定性诊断信息与定量数据，充分利用行业专家的知识经验及诊断对象的附加信息，提高故障诊断的效率及准确度，实现在诊断信息不完整、不确定的情况下进行较为准确的故障诊断。本发明所提供的贝叶斯网络能够有效检测诊断大部分家用空调器故障。但是该方法在网络构建、数据处理过程中并没有剔除与故障信号节点无关的特征信号节点，诊断、预测的结果还是不够精确。

发明内容

本发明的目的之一是提供一种制冷系统故障诊断方法，该方法网络模型构建简单，有稳定的分类效率，而且能精确处理多类任务，对缺失数据不敏感，诊断速度快、效率高。

为实现上述发明目的，本发明采取的技术方案如下：

一种制冷系统故障诊断方法，包括：

S1、构建BN网络模型，所述BN网络模型包括目标信号节点、故障信号节点与特征信号节点，三类节点之间依据制冷系统的故障机理及特性建立联系，形成拓扑结构；

S2、获取目标信号节点与故障信号节点的先验概率值；

S3、收集BN网络信息，并建立所述BN网络模型中各节点的先验概率矩阵、条件概率矩阵和条件互信息矩阵的相关信息；

S4、根据步骤S3中的条件互信息矩阵的数据进行松弛操作，剔除BN网络中与故障信号节点无关的特征信号节点，形成正确的最大权重生成树，确定真实的TAN、BN网络拓扑结构，构造与故障特征相匹配的TAN分类器模型；

S5、在步骤S4剔除BN网络中与故障信号节点无关的特征信号节点后，重新计算条件概率矩阵；

S6、根据步骤S5中重新计算好的条件概率矩阵与步骤S3中构建的先验概率矩阵，计算故障信号节点与特征信号节点间的后验概率，包括各个故障信号节点的各个状态下的后验概率，以及各目标信号节点的各个状态下的后验概率；

S7、检验故障信号节点的各个状态下的后验概率值、各目标信号节点的各个状态下的后验概率值；

S8、将步骤S7中检验后的目标信号节点相应各个状态下的后验概率值，按照从大到小的顺序排序，取最大后验概率值所对应的状态，为目标信号节点的优先诊断/预测分类结果；

其中：BN网络模型即批量归一化网络模型，TAN分类器为树状贝叶斯网络模型。

在本发明较佳的技术方案中，步骤S4对所述条件互信息矩阵的数据进行松弛操作，采用设定条件互信息权重阈值过滤的方式，在加权完全无向图中找到最大权重生成树的过程中，将与特定的故障信号节点无关联的特征信号节点从的BN网络剔除。

在本发明较佳的技术方案中，TAN分类器模型构造步骤如下：

①、通过训练数据集，演算每一对属性之间的条件互信息，记作I(X_i；X_j|C)，如公式(3)所示，其中(i≠j，1≤i,j≤n，1≤k≤L，L表示类节点的状态数量)；

②、建立一个以I(X_i；X_j|C)为弧的权重的加权完全无向图；

③、找出一个最大权重生成树；

④、通过选择一个根变量，在每条边上添加方向，将由此生成的无向图转为有向图；

⑤、增加一个类变量节点及类变量节点与属性节点之间的弧，完成一个TAN模型的构造。

在本发明较佳的技术方案中，对TAN分类器进行改进：

根据采样数据集的数据，按照上述TAN分类器，计算出条件互信息矩阵：

其中，I(X_i,X_j|C)(且i≠j,1≤i,j≤n)是X_i与X_j的条件互信息；

在最大权重生成树过程中，进行松弛过滤操作，剔除掉无关的特征信号，具体如下：

①、求I_max＝max(I_TAN)，为条件互信息矩阵I_TAN中的最大条件互信息值；

②、设I_threshold＝I_max×ratio，其中ratio为1％－10％，作为有效的条件互信息的阈值，按照式(3)重新设定过滤后的条件互信息矩阵I_TAN′；

在本发明较佳的技术方案中，所述BN网络模型包括一个一级BN网络与多个二级BN网络，所述一级BN网络包括一个目标信号节点与多个故障信号节点，所述二级BN网络包括一个故障信号节点与多个特征信号节点，其中目标信号节点作为多个故障信号节点的根节点，一个故障信号节点作为多个特征信号节点的根节点。

在本发明较佳的技术方案中，贝叶斯网络可以通过先验概率和条件概率计算后验概率值，如式(4)所示：

其中：P(B_i|A)为A发生条件下B_i发生的后验概率，P(AB_i)为A和B_i的联合概率；P(A)为A的边缘概率值；P(B_i)为B_i发生的先验概率值；P(A|B_i)为B_i发生条件下A发生的条件概率。

在本发明较佳的技术方案中，先验概率值的获得方式包括专家知识的途径、对训练用数据集进行统计的方式。

本发明的目的之二是提供一种便于故障诊断的制冷装置设计，包括压缩机、冷凝器、膨胀装置、蒸发器、蒸发风机以及冷凝风机，所述压缩机、所述冷凝器、所述膨胀装置以及所述蒸发器之间通过制冷管道连接成闭合的制冷循环，所述蒸发风机靠近所述蒸发器设置，所述冷凝风机靠近所述冷凝器设置，所述制冷装置采用上述的故障诊断方法进行故障诊断；所述压缩机、所述冷凝风机、所述蒸发风机上均设有温度感应器、电流感应器和电压感应器；所述蒸发器和所述冷凝器上均设有若干个温度感应器；制冷循环中，所述压缩机的进出口、所述冷凝器的进出口，所述膨胀装置的进口处以及所述蒸发器的进出口均设有温度感应器和压力感应器。该制冷装置结合实时数据采样，可以快速判断运行过程中出现的故障以及对故障进行预测，运行稳定。

本发明的有益效果为：

(1)该方法网络模型构建简单，有稳定的分类效率，构建了制冷系统故障诊断的贝叶斯网络，可以定性定量分析制冷系统故障与其依赖的条件及征兆表现之间的复杂因果关系和条件关系；

(2)对小规模数据表现来突出，能处理多分类任务，适合增量式训练，而且对缺失数据不敏感，算法容易构建，可以在信息不足的情况下进行高效诊断，可以降低制冷系统故障诊断的成本；

(3)算法对贝叶斯TAN分类器进行改进，最大权重生成树的过程中剔除了无关的特征信号，对提出无关的特征信号重新计算条件概率矩阵，减少无关特征信号对诊断结果的影响，使诊断结果/预测结果更精确。

附图说明

图1为本发明的提供的一种制冷系统故障诊断方法的步骤流程图；

图2为本发明的提供的制冷系统故障特征信号分类处理表示例；

图3为TAN分类器结构模型；

图4为本发明提供的的故障X诊断的TAN分类器模型图；

图5为本发明所举实施例中经松弛操作后的真实的关于故障X诊断的TAN分类器模型；

图6为本发明所举实施例中的两级BN网络TAN分类器验证分类结果示意图；

图7为本发明所举实施例中的BN网络模型节点关系示意图；

图8为本发明提供的K折交叉验证的示意图Ⅰ；

图9为本发明提供的K折交叉验证的示意图Ⅱ；

图10为本发明提供的一种制冷装置的结构示意图。

附图标记：

1、压缩机；2、冷凝器；3、冷凝风机；4、膨胀装置；5、蒸发器；6、蒸发风机；11、电流感应器；12、电压感应器；13、温度感应器；14、压力感应器。

具体实施方式

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，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。

一种制冷系统故障诊断方法，包括：

S1、构建BN网络模型，所述BN网络模型包括目标信号节点、故障信号节点与特征信号节点，三类节点之间依据制冷系统的故障机理及特性建立联系，形成拓扑结构；进一步地，所述BN网络模型包括一个一级BN网络与多个二级BN网络，所述一级BN网络包括一个目标信号节点与多个故障信号节点，所述二级BN网络包括一个故障信号节点与多个特征信号节点，其中目标信号节点作为多个故障信号节点的根节点，一个故障信号节点作为多个特征信号节点的根节点。即一级BN网络中一个目标信号节点X(不制冷或制冷效果差或正常)作为根节点，n个故障信号节点X₁,X₂,X₃……X_n作为子节点，而二级BN子网的结构具有相似的初始结构，都是由一级BN网络中的故障信号节点X₁,X₂,X₃……X_n中的任一个X_i作为二级BN网络的根节点，由所有的特征信号节点Y₁,Y₂,Y₃……Y_m作为子节点组成。

其中，目标信号节点和故障信号节点为制冷系统常见目标故障类型，目标信号节点用X表示，为终极目标类型，如不制冷或制冷效果差或正常。X又分为n类，分别为为X1、X2…XN即故障信号节点，如：制冷剂充填故障(X1)，压缩机故障(X2)，冷凝器脏堵(X3)，蒸发器结垢(X4)，冷凝风机故障(X5)，蒸发风机故障(X6)和膨胀装置损坏(X7)。其中制冷剂充填故障(X1)与压缩机故障(X2)有直接关系。此外，特征信号节点用{Y1,Y2,Y3…Yn}来表示，描述用于识别制冷系统的常见故障征兆，用于诊断时的证据信息，每个征兆节点表示制冷系统的一个征兆，如冷凝器进风温度、冷凝器出风温度、冷凝器进口压力、蒸发器进风温度等。具体处理过程中，将故障特征信号采样分类，分为冷凝器相关、蒸发器相关、压缩机相关与风机及其他四组，共m个特征信号,具体如图1所示。

S2、获取目标信号节点与故障信号节点的先验概率值；进一步地，先验概率值的获得方式包括专家知识的途径、对训练用数据集(TDS)进行统计的方式、咨询暖通领域的专家、家用空调器运维人员和测试技术人员等。专家知识即经验，一般由专家根据实验数据得出。比如：压缩机有一个平均无故障运行时间(MTBF，即平均两次故障出现的间隔时间)，如果MTBF＝200小时，表示压缩机可以连续运行200小时无故障(故障后10-30分钟可以排除)，而采样间隔为5分钟的话，可以换算出故障率＞0.04％，专家将压缩机故障的先验概率设为0.05％或者0.1％，并将压缩机正常的先验概率设为99.95％或者99.9％，都是合理的。

S3、收集BN网络信息，并建立所述BN网络模型中各节点的先验概率矩阵、条件概率矩阵和条件互信息矩阵的相关信息；

S4、根据步骤S3中的条件互信息矩阵的数据进行松弛操作，剔除BN网络中与故障信号节点无关的特征信号节点，形成正确的最大权重生成树，确定真实的TAN、BN网络拓扑结构，构造与故障特征相匹配的TAN分类器模型；

S5、在步骤S4剔除BN网络中与故障信号节点无关的特征信号节点后，重新计算条件概率矩阵；

S6、根据步骤S5中重新计算好的条件概率矩阵与步骤S3中构建的先验概率矩阵，计算故障信号节点与特征信号节点间的后验概率，包括各个故障信号节点的各个状态下的后验概率，以及各目标信号节点的各个状态下的后验概率；

TAN分类器的后验概率的取得，则如以下的(2)式：

其中α为正则化因子，

pa_j表示x_j的父节点集，共分两类，其一只有类节点，其二包括类节点和一个其他属性变量节点。

对于TAN贝叶斯网络模型结构有以下限定条件：

类变量是根节点，没有父节点，即

类变量是每个属性变量的父节点，即C∈Pa(X_i),i＝1,2,3……,n；

属性变量X_i除了类变量C作为其父节点外，最多有一个其他属性变量作为其父节点，即|Pa(X_i)|≤2。

S7、检验故障信号节点的各个状态下的后验概率值、各目标信号节点的各个状态下的后验概率值；

检验过程是采用衍生K折交叉验证(derive K-fold cross-validation)的方法。一般的K折交叉验证法，如图8、图9所示，将所有数据集分成K份(D₁，D₂，……，D_k)，并进行K轮验证。每轮验证，将其中一份数据集作为测试数据集，其余k-1份数据集作为训练集。这样，则会产生K轮验证测试结果。最后的测试结果，就是这K次测试的结果的平均值。

这样的交叉验证方法，测试覆盖全部数据集范围。例如K＝10的时候，数据集被分成10份(D₁，D₂，……，D₁₀)，并进行10次验证测试。每轮验证测试所采用的测试数据集，是10份数据集(D₁，D₂，……，D₁₀)的中的一份，其余9份则作为训练集使用。每轮验证测试会产生一组测试结果(即故障诊断的准确率)。当10轮验证测试结束后，将所取得的10个测试结果的平均值就是整个测试方法的结果。这样，还可以帮助解决训练分类过程中过拟合(over－fitting)的现象。

此外，修正训练分类过程中过拟合(over－fitting)现象的一种根本办法是，增加训练用数据集的数据量。针对这一点，本专利采用将原数据集D，随机打乱后形成衍生数据集DD，将D和DD都分别采用K折交叉验证法进行验证。例如K＝10的时候，在数据集D上进行10轮验证测试，在衍生数据集DD上进行10轮验证测试。当这20轮验证测试结束后，将所取得的20个测试结果取平均值，就是整个测试方法的结果。必要时候，可以进行多次衍生数据集上的K折交叉验证，一定程度上可以弥补数据量不足的情况。S8、将目标信号节点相应各个状态下的后验概率值，按照从大到小的顺序排序，最大后验概率值所对应的状态，即目标信号节点的优先诊断/预测分类结果；

其中：BN网络模型即批量归一化网络模型，TAN分类器为树状贝叶斯网络模型。

上述的一种制冷系统故障诊断方法，具有以下有益效果：

(1)该方法网络模型构建简单，有稳定的分类效率，构建了制冷系统故障诊断的贝叶斯网络，可以定性定量分析制冷系统故障与其依赖的条件及征兆表现之间的复杂因果关系和条件关系；

(2)对小规模数据表现来突出，能处理多分类任务，适合增量式训练，而且对缺失数据不敏感，算法容易构建，可以在信息不足的情况下进行高效诊断，可以降低制冷系统故障诊断的成本；

(3)算法对贝叶斯TAN分类器进行改进，最大权重生成树的过程中剔除了无关的特征信号，对提出无关的特征信号重新计算条件概率矩阵，减少无关特征信号对诊断结果的影响，使诊断结果/预测结果更精确。

进一步地，所述后验概率由先验概率、条件概率和条件互信息矩阵，通过贝叶斯公式计算得到：

贝叶斯公式为：

P(C_k)为类C_k的先验概率，P(C_k|X₁,X₂,X₃…X_n)为类C_k的后验概率，X₁,X₂,X₃…X_n为各个实例。

进一步地，步骤S4对所述条件互信息矩阵的数据进行松弛操作，采用设定条件互信息权重阈值过滤的方式，在加权完全无向图中找到最大权重生成树的过程中，将与特定的故障信号节点无关联的特征信号节点从的BN网络剔除。

进一步地，TAN分类器模型构造步骤如下：

①、通过训练数据集，演算每一对属性之间的条件互信息，记作I(X_i；X_j|C)，如公式(3)所示，其中(i≠j，1≤i,j≤n，1≤k≤L，L表示类节点的状态数量)；

②、建立一个以I(X_i；X_j|C)为弧的权重的加权完全无向图；

③、找出一个最大权重生成树；

④、通过选择一个根变量，在每条边上添加方向，将由此生成的无向图转为有向图；

⑤、增加一个类变量节点及类变量节点与属性节点之间的弧，完成一个TAN模型的构造。

进一步地，对TAN分类器进行改进：

根据采样数据集的数据，按照上述TAN分类器，计算出条件互信息矩阵：

其中，I(X_i,X_j|C)(且i≠j,1≤i,j≤n)是X_i与X_j的条件互信息；

在最大权重生成树过程中，进行松弛过滤操作，剔除掉无关的特征信号，具体如下：

①、求I_max＝max(I_TAN)，为条件互信息矩阵I_TAN中的最大条件互信息值；

②、设I_threshold＝I_max×ratio、其中ratio为1％－10％，作为有效的条件互信息的阈值，按照式(5)重新设定过滤后的条件互信息矩阵I_TAN′；

在特征信号的处理过程中，由于特征信号的数据一般是连续变量的形式。为了便于计算，将其进行自然离散化，可定义，m个采样的特征信号中的每一个特征信号，都分为高、中、低(或正常、异常)等几种状态。例如，定义方法如图2所示：

进一步地，贝叶斯网络可以通过先验概率和条件概率计算后验概率值，如式(4)所示，这是基于贝叶斯网络的故障诊断方法的核心理论；

式(4)中：P(B_i|A)为A发生条件下B_i发生的后验概率，P(AB_i)为A和B_i的联合概率；P(A)为A的边缘概率值；P(B_i)为B_i发生的先验概率值；P(A|B_i)为B_i发生条件下A发生的条件概率。例如，B_i可以表示一种故障，如制冷剂不足、不凝性气体、蒸发器结垢等，A可以表示一种故障征兆，如蒸发温度、冷凝温度、冷冻空气进出口温差等，故障B_i发生的先验概率P(B_i)以及在B_i发生的情况下A发生的条件概率P(A|B_i)是通过维修手册、历史数据调查、专家经验以及空调机理特性获得的。计算得到后验概率P(B_i|A)的大小就可以表示当观察到征兆A时某一故障发生的可能性，即可对制冷系统的故障进行预判、诊断。

一种便于故障诊断的制冷装置，包括压缩机1、冷凝器2、膨胀装置4、蒸发器5、蒸发风机6以及冷凝风机3，所述压缩机1、所述冷凝器2、所述膨胀装置4以及所述蒸发器5之间通过制冷管道连接成闭合的制冷循环，所述蒸发风机6靠近所述蒸发器5设置，所述冷凝风机3靠近所述冷凝器2设置，所述制冷装置采用上述的故障诊断方法进行故障诊断；所述压缩机1、所述冷凝风机3、所述蒸发风机6上均设有温度感应器13、电流感应器11和电压感应器12；所述蒸发器5和所述冷凝器2上均设有若干个温度感应器13；制冷循环中，所述压缩机1的进出口、所述冷凝器2的进出口，所述膨胀装置4的进口处以及所述蒸发器5的进出口均设有温度感应器13和压力感应器14。所述温度感应器13用于该制冷装置运行过程中各部件的温度采集，所述电流感应器11用于该制冷装置运行过程中的各部件的电流采集；所述电压感应器12用于该制冷装置运行过程中的各部件的电压采集；所述压力感应器14用于监测该制冷循环中的制冷剂压力。该制冷装置结合实时数据采样，可以快速判断运行过程中出现的故障以及对故障进行预测，运行稳定。

为了直观方便地说明本发明所要保护的制冷系统故障诊断方法，现以一个极简的系统为例进行说明。

某一个二级BN子网，包含1个故障分类信号与7个特征信号。简化系统是由1个故障分类信号量与7个特征信号组成，每个信号量均只有“正常”和“异常/故障”这两种状态。

1.搭建模型的预结构：简化的TAN贝叶斯网络分类器，就是一个共包含有8个节点(其中1个为故障信号节点X，与7个特征信号节点{Y1，Y2······Y7}的全连接无向图。

2.确定数据集：需要大量训练用数据集TDS及检验用数据集DDS，此二数据集本质上并无区别，可将正常采集的各个特征信号量的集合DS，分成两个部分TDS(训练用数据集)与DDS(检验用数据集)。其中，检验用数据集DDS可以从DS中随机抽取，剩余的部分数据就是训练用数据集TDS。且根据实际情况，检验用数据集DDS的数据量占少数，以保证训练用数据集TDS的数据量足够充分。

在获得特征信号采样数据的同时，其中也许会包含许多丢失和错误的数据。在处理这些数据的时候，使用一段时间内(30秒、1分钟、5分钟或10分钟)的平均值代替。

3.确定先验概率值：获取二级BN网络中的故障信号节点的先验概率值，和一级BN网络中的目标信号节点的先验概率值。

获取故障信号节点与目标信号节点的方式有两种途径：

在训练用数据集(TDS)规模比较小，或者数据集中不包含充分的故障信号节点与超父目标信号节点的状态参数的时候，依赖于通过专家知识获得。

在训练用数据集(TDS)规模足够大，且数据集包含充分的状态参数的时候，可以通过对数据集中的故障信号节点或目标信号节点状态统计获得。

4.计算条件互信息：根据训练数据集，根据式(1)计算得到条件互信息顺序表，如下表1所示：

表1.条件互信息顺序表

注：表中x表示，按照式(3)中计算将被过滤掉的条件互信息项，即：

I(X_i,X_j|C)≤I_threshold。

5.建立加权完全无向图，如图4所示：

根据图4的加权完全无向图，可以看出特征信号Y6和Y7与其他特征信号之间的关联极其微弱，可将这两个特征信号视为潜在的无关特征信号，可以根据式(3)将它们屏蔽掉。在其他特征信号(此处为Y1,Y2,Y3,Y4,Y5)构成的子图中，寻找最大权重生成树。

6.构建真实模型：根据表1条件互信息顺序表及图4的加权完全无向图，如果Y6和Y7这两个特征信号，与故障分类信号X的关联也很微弱的时候，则将特征信号Y6和Y7视为无关信号并从系统模型中予以正式剔除。增加故障分类信号节点X，可得一种真实的关于故障X诊断的TAN分类器模型，如下图5所示：

7.根据训练用数据集(TDS)计算，真实模型中特征信号节点条件概率，以及二级BN子网中的故障信号节点的先验概率值，和一级BN主网中的目标信号节点的先验概率值：

例如，在某一个二级BN网络中，根据图5中的故障X诊断的TAN分类器模型，按照训练数据集的数据计算可得如下的特征信号节点的条件概率表：

表2.某二级BN子网的特征信号节点及条件概率表(CPT)

再例如，下表中表示在一级BN主网范围内的故障信号节点的条件概率表。

表3.一级BN主网的故障信号节点及条件概率表(CPT)

8.根据检验用数据集(DDS)计算真实模型中故障信号节点的后验概率。

根据之前获得的先验概率值，以及表2、表3的条件概率表(CPT)内的数据，按照式(5)计算检验用数据集(DDS)中每条记录的P(C_k|X₁,X₂,X₃……X_n)后验概率值。包括各个父节点(故障信号节点)的相应各个C_k状态下的后验概率值，以及超父节点(目标信号节点)的相应各个C_k状态下的后验概率值。

9.验证分类并诊断/预测。

将上一步中的超父节点(目标信号节点)的相应的各个C_k状态下的后验概率值，按照从大到小的顺序排序，其中最大的后验概率值所对应的状态C_k，作为超父节点(目标信号节点)的优先诊断/预测分类结果。

例如，诊断分类结果如下表4所示：

表4.系统目标状态分类与各个故障信号状态分类的诊断结果

如图6中所示，得到与表4相对应的TAN分类器验证分类结果，即可通过后验概率来判断制冷系统的故障所在，以及对制冷系统故障进行预判。在图6中，后验概率大的状态为被确认的状态，即黑底白字的状态表示后验概率较大的被确认的状态。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。

Claims (8)

1.一种制冷系统故障诊断方法，其特征在于，包括：

S1、构建BN网络模型，所述BN网络模型包括目标信号节点、故障信号节点与特征信号节点，三类节点之间依据制冷系统的故障机理及特性建立联系，形成拓扑结构；

S2、获取目标信号节点与故障信号节点的先验概率值；

S3、收集BN网络信息，并建立所述BN网络模型中各节点的先验概率矩阵、条件概率矩阵和条件互信息矩阵的相关信息；

S4、根据步骤S3中的条件互信息矩阵的数据进行松弛操作，剔除BN网络中与故障信号节点无关的特征信号节点，形成正确的最大权重生成树，确定真实的TAN、BN网络拓扑结构，构造与故障特征相匹配的TAN分类器模型；

S5、在步骤S4剔除BN网络中与故障信号节点无关的特征信号节点后，重新计算条件概率矩阵；

S6、根据步骤S5中重新计算好的条件概率矩阵与步骤S3中构建的先验概率矩阵，计算故障信号节点与特征信号节点间的后验概率，包括各个故障信号节点的各个状态下的后验概率，以及各目标信号节点的各个状态下的后验概率；

S7、检验故障信号节点的各个状态下的后验概率值、各目标信号节点的各个状态下的后验概率值；

S8、将步骤S7中检验后的目标信号节点相应各个状态下的后验概率值，按照从大到小的顺序排序，取最大后验概率值所对应的状态，为目标信号节点的优先诊断/预测分类结果；

其中：BN网络模型即批量归一化网络模型，TAN分类器为树状贝叶斯网络模型。

2.根据权利要求1所述的制冷系统故障诊断方法，其特征在于：

步骤S4对所述条件互信息矩阵的数据进行松弛操作，采用设定条件互信息权重阈值过滤的方式，在加权完全无向图中找到最大权重生成树的过程中，将与特定的故障信号节点无关联的特征信号节点从的BN网络剔除。

3.根据权利要求1所述的制冷系统故障诊断方法，其特征在于：

TAN分类器模型构造步骤如下：

①、通过训练数据集，演算每一对属性之间的条件互信息，记作I(X_i；X_j|C)，如公式(3)所示，其中(i≠j，1≤i，j≤n，1≤k≤L，L表示类节点的状态数量)；

②、建立一个以I(X_i；X_j|C)为弧的权重的加权完全无向图；

③、找出一个最大权重生成树；

④、通过选择一个根变量，在每条边上添加方向，将由此生成的无向图转为有向图；

⑤、增加一个类变量节点及类变量节点与属性节点之间的弧，完成一个TAN模型的构造。

4.根据权利要求3所述的制冷系统故障诊断方法，其特征在于：

对TAN分类器进行改进：

根据采样数据集的数据，按照上述TAN分类器，计算出条件互信息矩阵：

其中，I(X_i，X_j|C)(且i≠j，1≤i，j≤n)是X_i与X_j的条件互信息；

在最大权重生成树过程中，进行松弛过滤操作，剔除掉无关的特征信号，具体如下：

①、求I_max＝max(I_TAN)，为条件互信息矩阵I_TAN中的最大条件互信息值；

②、设I_threshold＝I_max×ratio，其中ratio为1％-10％，作为有效的条件互信息的阈值，按照式(3)重新设定过滤后的条件互信息矩阵I_TAN′；

5.根据权利要求1所述的制冷系统故障诊断方法，其特征在于：

所述BN网络模型包括一个一级BN网络与多个二级BN网络，所述一级BN网络包括一个目标信号节点与多个故障信号节点，所述二级BN网络包括一个故障信号节点与多个特征信号节点，其中目标信号节点作为多个故障信号节点的根节点，一个故障信号节点作为多个特征信号节点的根节点。

6.根据权利要求1所述的制冷系统故障诊断方法，其特征在于：

贝叶斯网络可以通过先验概率和条件概率计算后验概率值，如式(4)所示：

其中：P(B_i|A)为A发生条件下B_i发生的后验概率，P(AB_i)为A和B_i的联合概率；P(A)为A的边缘概率值；P(B_i)为B_i发生的先验概率值；P(A|B_i)为B_i发生条件下A发生的条件概率。

7.根据权利要求1所述的制冷系统故障诊断方法，其特征在于：

先验概率值的获得方式包括专家知识的途径、对训练用数据集进行统计的方式。

8.一种便于故障诊断的制冷装置，包括压缩机(1)、冷凝器(2)、膨胀装置(4)、蒸发器(5)、蒸发风机(6)以及冷凝风机(3)，所述压缩机(1)、所述冷凝器(2)、所述膨胀装置(4)以及所述蒸发器(5)之间通过制冷管道连接成闭合的制冷循环，所述蒸发风机(6)靠近所述蒸发器(5)设置，所述冷凝风机(3)靠近所述冷凝器(2)设置，其特征在于：所述制冷装置采用权利要求1-7的故障诊断方法进行故障诊断；

所述压缩机(1)、所述冷凝风机(3)、所述蒸发风机(6)上均设有温度感应器(13)、电流感应器(11)和电压感应器(12)；

所述蒸发器(5)和所述冷凝器(2)上均设有若干个温度感应器(13)；

制冷循环中，所述压缩机(1)的进出口、所述冷凝器(2)的进出口，所述膨胀装置(4)的进口处以及所述蒸发器(5)的进出口均设有温度感应器(13)和压力感应器(14)。

Images