CN113310171B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113310171B CN113310171B CN202110564369.5A CN202110564369A CN113310171B CN 113310171 B CN113310171 B CN 113310171B CN 202110564369 A CN202110564369 A CN 202110564369A CN 113310171 B CN113310171 B CN 113310171B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- central air
- conditioning system
- network unit
- fault diagnosis
- 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
- F24F11/62—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)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种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。首先,针对中央空调系统的多样性,从多角度进行领域知识表示与存储,构建器件级别的中央空调系统故障诊断知识库;其次,根据实际系统中包含的器件类型选择相应的贝叶斯网络单元,判断预定义的存在条件是否满足,生成具体的器件贝叶斯网络单元实例;接着,基于目标中央空调系统的拓扑结构图,对贝叶斯网络单元实例进行集成连接,生成多级分层的贝叶斯故障诊断网络实例;最后,以实际获得的诊断信息为驱动,通过贝叶斯网络的概率推理过程实现故障诊断。该方法基于可复用知识库和具体的系统信息生成针对性的故障诊断模型,能够为不同中央空调系统提供因地制宜的故障诊断方案。
Description
技术领域
本发明属于建筑空调系统大数据分析与故障诊断领域,涉及诊断对象复杂多变、诊断信息不确定下的故障推理与分析,特别是涉及一种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与技术。
背景技术
中央空调系统具有管理方便、消声防振容易等优点,目前在我国得到广泛应用。该系统通常消耗大量能源,成为建筑能耗的重要组成部分。中央空调系统设备繁多且结构复杂,在运行过程中容易发生各种故障,导致系统无法满足温湿度需求,造成能源浪费严重、设备寿命缩短,甚至引发安全问题。因此,开展中央空调系统故障检测与诊断方法研究具有重要意义。
中央空调系统构成复杂、形式多样、差异性较大,导致故障诊断模型在不同系统间的移植性较差,难以推广应用。针对实际系统定制故障诊断模型构建难度大、过程繁琐耗时,且针对系统间的共性部分存在重复劳动。目前尚缺少一种可行的故障诊断模型生成方法,能够在不同系统间低成本地移植应用,并得出有效的诊断结果。
发明内容
本发明能够克服现有技术的不足,为复杂多变的中央空调系统提供一种定制化的故障诊断模型生成方法,并提出了完整的故障诊断流程。该方法的核心在于用贝叶斯网络(BBN)单元来描述故障诊断知识,在保留传统贝叶斯网络基本元素基础上引入条件集,基于实际系统信息判断预定义的条件集是否满足,从而进行网络单元的实例化,旨在解决具体系统故障诊断模型自动化定制构建的难题。
有鉴于此,本发明公开了一种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,包括以下基本操作步骤:
S1:针对中央空调系统的多样性,从多角度进行领域知识表示与存储,构建分解至器件级别的中央空调系统故障诊断知识库;
S2:根据目标中央空调系统的实例信息,确定目标中央空调系统中实际包含的器件类型,并针对每一个实际包含的器件,基于中央空调系统故障诊断知识库生成器件级别的贝叶斯网络单元实例;
S3:基于目标中央空调系统的拓扑结构图,对S2中生成的器件级别的贝叶斯网络单元实例进行集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例;
S4:获取目标中央空调系统的实际系统运行数据并从中提取征兆信息,通过征兆异常判定规则判断每个征兆的状态,若所有征兆都处于正常状态,则判定系统无故障;若有部分征兆处于异常状态,则将所有征兆节点状态输入S3中生成的贝叶斯故障诊断网络实例中进行推理运算;
S5:在所述贝叶斯故障诊断网络实例中,更新所有故障节点的后验概率,从器件层开始自下而上地逐层进行故障诊断判别。
进一步的,所述步骤S1中,中央空调系统故障诊断知识库分为四个知识子库,分别用于描述系统器件组成知识、控制策略与运行模式知识、传感器配置知识和故障诊断知识,各知识子库的构建方法如下:
S11、构建系统器件组成知识子库:将复杂的中央空调系统层层分解为更小的单元,直到分解为作为最小单元的器件级别形成器件集,以表格的形式从名称、类型、功能和所属设备这4个维度来描述器件集中各个器件;
S12、构建控制策略与运行模式知识子库:将器件作为最小单元,以表格的形式从器件名称、控制策略和适用工况这3个维度来描述器件集中各个器件;
S13、构建传感器配置知识子库:以表格的形式从传感器名称、类别、安装位置和检测数据单位这4个维度来描述中央空调系统中包含的各个传感器;
S14、构建故障诊断知识子库:针对器件集中的每个器件构建贝叶斯网络单元,每个贝叶斯网络单元包括故障节点、征兆节点和附加信息节点三类节点,节点之间通过有向边连接形成拓扑结构,所有有向边构成集合;其中每个附加信息节点表示中央空调的一种运维状况;每个故障节点表示中央空调的一个潜在可能故障;每个征兆节点表示中央空调发生故障的一个征兆;预先设定贝叶斯网络单元中的节点参数,同时定义贝叶斯网络单元中节点的存在条件、有向边的连接条件、贝叶斯网络的存在条件,形成节点存在条件集、有向边连接条件集和网络存在条件集。
进一步的,所述步骤S14中,贝叶斯网络单元中的节点参数通过尺度刻画法确定。
进一步的,所述步骤S14中,贝叶斯网络单元中节点的存在条件、有向边的连接条件、贝叶斯网络的存在条件通过专家经验确定。
进一步的,所述步骤S2中器件级别的贝叶斯网络单元实例生成步骤如下:
S21、从器件集中选择一个器件,判断该器件的贝叶斯网络单元的存在条件是否成立,判断方法为:查询目标中央空调系统中是否包含该器件,若包含,则该器件的贝叶斯网络单元存在,否则该器件的贝叶斯网络单元不存在;
S22、针对在S21中判断为存在的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一个征兆节点的存在条件是否成立,判断方法为:查询目标中央空调系统中配置的传感器是否能够满足该征兆节点的存在条件,若满足,则该征兆节点存在,否则在贝叶斯网络中删去该征兆节点及征兆节点相连的全部有向边;
S23、针对S22中最终得到的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一条有向边的连接条件是否成立,判断方法为:查询目标中央空调系统的控制策略、器件组成、运行状态是否满足该有向边的连接条件,若满足,则保留该有向边,否则删去该有向边;
S24、针对S23中最终得到的贝叶斯网络单元,将贝叶斯网络单元内剩下的虚线有向边变为实线,完成该器件的贝叶斯网络单元实例生成;
S25、不断重复步骤S21至S24,直到遍历器件集中的所有器件,生成目标中央空调系统中包含的所有器件的贝叶斯网络单元实例。
进一步的,所述步骤S3中多级分层的贝叶斯网络实例生成具体包括以下步骤:
S31、将S2中得到的不同贝叶斯网络单元实例中出现的相同节点合并为共用节点,进行信息融合;
S32、通过添加虚拟节点,将物理或功能划分相近的下层网络分层集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例。
进一步的,所述步骤S4中,征兆异常判定规则所需的基准值和阈值由专家基于历史数据确定。
进一步的,所述步骤S5中故障诊断判别依据如下规则:对当前层故障节点的后验概率进行排序,找到后验概率最大的两个故障,其后验概率分别为P1st、P2nd,若判断P1st和P2nd的差值超过阈值,则可判定P1st对应的故障发生,否则在当前层无法得出准确的故障诊断结果,需上移一层进行故障判别,最后根据实际推理结果报出相应的故障诊断结果。
进一步的,所述的阈值设为30%。
与现有技术相比,本发明所述的一种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具有的优势在于:
(1)提出构建中央空调系统故障诊断知识库,从多角度进行领域知识表示与存储,有利于诊断知识的管理和使用;
(2)定义一种新型的贝叶斯网络单元,实现器件级别的故障诊断知识的图形化、模块化描述,有利于实例化过程中网络单元的复用与拼接,大大提高诊断模型构建效率;
(3)提出针对实际系统的贝叶斯故障诊断网络实例生成机制,能够考虑不同系统间拓扑结构的差异性,自下而上地生成整个系统的诊断网络实例,实现因地制宜的故障诊断。
附图说明
图1为本发明一种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流程图。
图2为本发明方法实施例中的中央空调系统故障诊断知识库示意图。
图3为本发明方法实施例中的贝叶斯网络单元示意图。
图4为本发明方法实施例中的中央空调系统贝叶斯网络单元知识子库。
图5为本发明方法实施例中的器件级别贝叶斯网络单元实例生成示意图。
图6为本发明方法实施例中的中央空调系统贝叶斯网络实例。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细描述,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。
本发明提供的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,是一种普适通用的框架,它通过构建中央空调系统故障诊断知识库、确定实际系统故障诊断模型生成机制,为各式各样全空调空调系统提供因地制宜的故障诊断方案,其发明构思如下:
首先,建立中央空调系统故障诊断知识库,从系统器件组成、控制策略与运行模式、传感器配置描述系统的多样性,以器件为中心构建贝叶斯网络单元描述故障诊断知识,并定义贝叶斯网络单元中节点的存在条件、有向边的存在条件、贝叶斯网络的存在条件;其次,根据实际系统中包含的器件类型选择相应的贝叶斯网络单元,判断预定义的存在条件是否满足,生成具体的器件贝叶斯网络单元实例;接着,根据系统中器件的拓扑联通情况,判断器件间的关联关系,对贝叶斯网络单元实例进行集成连接,生成多级分层的贝叶斯故障诊断网络实例;最后,以实际获得的诊断信息为驱动,通过贝叶斯网络的概率推理过程实现故障诊断。该方法基于可复用知识库和具体的系统信息生成针对性的故障诊断模型,能够为各式各样中央空调系统提供因地制宜的故障诊断方案。
在本实施例中,实际项目所涉及的中央空调系统机组中,可获取的信息包括设备实例信息、传感器配置、运行模式信息、控制策略以及器件组成。根据该器件组成可知,该系统中的器件类型包括初效过滤器、中效过滤器、表冷器、加热器、加湿器、送风机、回风机、新风阀、回风阀和排风阀。利用本发明提供的中央空调系统故障检测与诊断方法,可以利用器件级别的故障诊断知识的图形化、模块化描述,通过网络单元的复用与拼接构建适用于该项目的贝叶斯故障诊断网络,用于解决故障诊断模型在不同系统间可移植性低、推广性差的问题。
如图1所示,本发明的一种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,包括以下步骤:
S1:针对中央空调系统的多样性,从多角度进行领域知识表示与存储,构建分解至器件级别的中央空调系统故障诊断知识库。
在本实施例中,中央空调系统故障诊断知识库如图2所示,共包含四个子库,分别描述了系统器件组成知识、控制策略与运行模式知识、传感器配置知识、故障诊断知识。前三个知识子库旨在从不同角度描述空调系统的多样性,为故障诊断提供知识前提,最后一个知识子库通过一种新型的贝叶斯网络单元对故障诊断的领域知识进行了抽取和表达。各子库构建的具体方法如下:
S11、构建系统器件组成知识子库:将复杂的中央空调系统层层分解为更小的单元,直到分解为作为最小单元的器件级别形成器件集,以表格的形式从名称、类型、功能和所属设备这4个维度来描述器件集中各个器件。
需注意的是,为了尽可能适用于不同类型的中央空调系统,此处的器件集中所包含的器件类型应当尽量丰富。
S12、构建控制策略与运行模式知识子库:将器件作为最小单元,以表格的形式从器件名称、控制策略和适用工况这3个维度来描述器件集中各个器件;
S13、构建传感器配置知识子库:以表格的形式从传感器名称、类别、安装位置和检测数据单位这4个维度来描述中央空调系统中包含的各个传感器;
S14、构建故障诊断知识子库:针对器件集中的每个器件构建贝叶斯网络单元,每个贝叶斯网络单元包括故障节点、征兆节点和附加信息节点三类节点,节点之间通过有向边连接形成拓扑结构,所有有向边构成集合。其中每个附加信息节点表示中央空调的一种运维状况,如过滤器、表冷器及加热器的清洁处理等;每个故障节点表示中央空调的一个潜在可能故障,如表冷器结垢、送风机故障、加热阀卡死等;每个征兆节点表示中央空调发生故障的一个征兆,如过滤器压差过大、表冷器前后温差过小、送风温度过大等。每一个节点都有不同的状态表现,这些状态表现都可视为一个事件;节点间的有向边代表了节点间的互相关系,而条件概率可用于描述节点之间的关系强度。
为了满足故障诊断知识的图形化和模块化要求,贝叶斯网络单元中的节点参数需要预先设定,节点参数主要是各变量的概率分布。本实施例可基于尺度刻画法设置网络单元参数,将概率设置为9档:一定、极高、很高、较高、一般、较低、很低、极低和不可能,分别对应100%、90%、75%、60%、50%、40%、25%、10%和0。另外,还需要根据专家经验定义贝叶斯网络单元中节点的存在条件、有向边的连接条件、贝叶斯网络的存在条件,形成节点存在条件集、有向边连接条件集和网络存在条件集。
在本实施例构建的故障诊断知识子库中,针对每个器件的贝叶斯网络单元结构示意图如图3所示,包括故障节点(以F表示)、征兆节点(以S表示)、附加信息节点(以A表示)、有向边(以D表示)、节点存在条件(以Y表示)、有向边连接条件(以Z表示)和网络存在条件(以G表示)。通过抽象出故障、征兆和附加信息三类节点,基于节点间定性的因果关系确定有向边集,构建节点间的有向边连接。节点存在条件、有向边连接条件和网络存在条件分别代表了节点、有向边、贝叶斯网络单元存在应当满足的各种前提条件。
本实施例中,最终构建的中央空调系统贝叶斯网络单元知识子库如图4所示,共包括贝叶斯网络单元15个。这些贝叶斯网络单元均具有模块化的特点,可用于后续针对实际项目的特点进行增删、调整和连接,高效完成诊断模型的构建。
S2:根据目标中央空调系统的实例信息,确定目标中央空调系统中实际包含的器件类型,并针对每一个实际包含的器件,基于中央空调系统故障诊断知识库生成器件级别的贝叶斯网络单元实例。其具体方法示例如图5所示,下面对该步骤的实现过程进行详细描述:
S21、从器件集中选择一个器件,判断该器件的贝叶斯网络单元的存在条件是否成立,判断方法为:查询目标中央空调系统中是否包含该器件,若包含,则该器件的贝叶斯网络单元存在,否则该器件的贝叶斯网络单元不存在。
由于本实施例实际项目涉及的中央空调系统仅初效过滤器、中效过滤器、表冷器、加热器、加湿器、送风机、回风机、新风阀、回风阀和排风阀,因此器件集中仅有这10个器件会被判断为贝叶斯网络单元存在。
S22、针对在S21中判断为存在的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一个征兆节点的存在条件是否成立,判断方法为:查询目标中央空调系统中配置的传感器是否能够满足该征兆节点的存在条件即是否能够满足该征兆节点的规则运算,若满足,则该征兆节点存在,否则在贝叶斯网络中删去该征兆节点及征兆节点相连的全部有向边。不断重复该操作,直到遍历贝叶斯网络单元中所有的征兆节点。
S23、针对S22中最终得到的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一条有向边的连接条件是否成立,判断方法为:查询目标中央空调系统的控制策略、器件组成、运行状态是否满足该有向边的连接条件,若满足,则保留该有向边,否则删去该有向边。不断重复该操作,直到遍历贝叶斯网络单元的有向边集。
需注意的是,在上述S21~S23进行判断的过程中,需借助预先定义的节点存在条件集、有向边连接条件集和网络存在条件集实现。
S24、针对S23中最终得到的贝叶斯网络单元,将贝叶斯网络单元内剩下的虚线有向边变为实线,完成该器件的贝叶斯网络单元实例生成。
S25、不断重复步骤S21至S24,直到遍历器件集中的所有器件,生成目标中央空调系统中包含的所有器件的贝叶斯网络单元实例。
如前所述,在本实施例中将得到10个器件的贝叶斯网络单元实例,可用于后续组建中央空调系统贝叶斯故障诊断网络。
S3:基于目标中央空调系统的拓扑结构图,对S2中生成的器件级别的贝叶斯网络单元实例进行集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例。基于器件的贝叶斯网络单元实例构建贝叶斯故障诊断网络实例的具体方法可采用任意的现有方法,在本实施例中其具体方法以此如下:
S31、首先,将S2中得到的不同贝叶斯网络单元实例中出现的相同节点合并为共用节点,进行信息融合;
S32、然后,通过添加虚拟节点,将物理或功能划分相近的下层网络分层集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例。
如图6所示,该实施例中最终构建的中央空调系统贝叶斯故障诊断网络实例共包括故障节点共42个、征兆节点29个和附加信息节点3个。
S4:获取目标中央空调系统的实际系统运行数据并从中提取征兆信息,通过征兆异常判定规则判断每个征兆的状态,若所有征兆都处于正常状态,则判定系统无故障;若有部分征兆处于异常状态,则将所有征兆节点状态输入S3中生成的贝叶斯故障诊断网络实例中进行推理运算。
需注意的是,此处征兆异常判定规则是需要预先设定的,可先由专家基于历史数据确定征兆异常判定规则所需的基准值和阈值,然后再根据基准值和阈值定义相应的判定规则,其中基准值可以参考设定值、设计手册或通过历史数据训练预测模型等方式获取。
S5:若S4中有征兆节点状态输入贝叶斯故障诊断网络实例中,则需要更新所有故障节点的后验概率,从器件层开始自下而上地逐层进行故障诊断判别。
本实施例中,故障诊断判别制定如下规则:对该层故障节点的后验概率进行排序,找到后验概率最大的两个故障,其后验概率分别为P1st、P2nd,若P1st-P2nd≥30%,则表明P1st为最可能的故障,因此将P1st对应的故障输出作为该异常征兆所对应的故障,否则在该层无法得出准确的故障诊断结果,需上移一层进行故障判别,最后根据实际推理结果报出相应的故障诊断结果。逐层诊断的具体流程参加图1所述,因此该方法可实现信息丰富度不确定下的故障诊断。
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 (8)
1.一种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,其特征在于,具体包括以下步骤:
S1:针对中央空调系统的多样性,从多角度进行领域知识表示与存储,构建分解至器件级别的中央空调系统故障诊断知识库;
S2:根据目标中央空调系统的实例信息,确定目标中央空调系统中实际包含的器件类型,并针对每一个实际包含的器件,基于中央空调系统故障诊断知识库生成器件级别的贝叶斯网络单元实例;
S3:基于目标中央空调系统的拓扑结构图,对S2中生成的器件级别的贝叶斯网络单元实例进行集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例;
S4:获取目标中央空调系统的实际系统运行数据并从中提取征兆信息,通过征兆异常判定规则判断每个征兆的状态,若所有征兆都处于正常状态,则判定系统无故障;若有部分征兆处于异常状态,则将所有征兆节点状态输入S3中生成的贝叶斯故障诊断网络实例中进行推理运算;
S5:在所述贝叶斯故障诊断网络实例中,更新所有故障节点的后验概率,从器件层开始自下而上地逐层进行故障诊断判别;
所述步骤S1中,中央空调系统故障诊断知识库分为四个知识子库,分别用于描述系统器件组成知识、控制策略与运行模式知识、传感器配置知识和故障诊断知识,各知识子库的构建方法如下:
S11、构建系统器件组成知识子库:将复杂的中央空调系统层层分解为更小的单元,直到分解为作为最小单元的器件级别形成器件集,以表格的形式从名称、类型、功能和所属设备这4个维度来描述器件集中各个器件;
S12、构建控制策略与运行模式知识子库:将器件作为最小单元,以表格的形式从器件名称、控制策略和适用工况这3个维度来描述器件集中各个器件;
S13、构建传感器配置知识子库:以表格的形式从传感器名称、类别、安装位置和检测数据单位这4个维度来描述中央空调系统中包含的各个传感器;
S14、构建故障诊断知识子库:针对器件集中的每个器件构建贝叶斯网络单元,每个贝叶斯网络单元包括故障节点、征兆节点和附加信息节点三类节点,节点之间通过有向边连接形成拓扑结构,所有有向边构成集合;其中每个附加信息节点表示中央空调的一种运维状况;每个故障节点表示中央空调的一个潜在可能故障;每个征兆节点表示中央空调发生故障的一个征兆;预先设定贝叶斯网络单元中的节点参数,同时定义贝叶斯网络单元中节点的存在条件、有向边的连接条件、贝叶斯网络的存在条件,形成节点存在条件集、有向边连接条件集和网络存在条件集。
2.根据权利要求1所述的一种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,其特征在于,所述步骤S14中,贝叶斯网络单元中的节点参数通过尺度刻画法确定。
3.根据权利要求1所述的一种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,其特征在于,所述步骤S14中,贝叶斯网络单元中节点的存在条件、有向边的连接条件、贝叶斯网络的存在条件通过专家经验确定。
4.根据权利要求1所述的一种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,其特征在于,所述步骤S2中器件级别的贝叶斯网络单元实例生成步骤如下:
S21、从器件集中选择一个器件,判断该器件的贝叶斯网络单元的存在条件是否成立,判断方法为:查询目标中央空调系统中是否包含该器件,若包含,则该器件的贝叶斯网络单元存在,否则该器件的贝叶斯网络单元不存在;
S22、针对在S21中判断为存在的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一个征兆节点的存在条件是否成立,判断方法为:查询目标中央空调系统中配置的传感器是否能够满足该征兆节点的存在条件,若满足,则该征兆节点存在,否则在贝叶斯网络中删去该征兆节点及征兆节点相连的全部有向边;
S23、针对S22中最终得到的贝叶斯网络单元,进一步判断贝叶斯网络单元中每一条有向边的连接条件是否成立,判断方法为:查询目标中央空调系统的控制策略、器件组成、运行状态是否满足该有向边的连接条件,若满足,则保留该有向边,否则删去该有向边;
S24、针对S23中最终得到的贝叶斯网络单元,将贝叶斯网络单元内剩下的虚线有向边变为实线,完成该器件的贝叶斯网络单元实例生成;
S25、不断重复步骤S21至 S24,直到遍历器件集中的所有器件,生成目标中央空调系统中包含的所有器件的贝叶斯网络单元实例。
5.根据权利要求1所述的一种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,其特征在于,所述步骤S3中多级分层的贝叶斯网络实例生成具体包括以下步骤:
S31、将S2中得到的不同贝叶斯网络单元实例中出现的相同节点合并为共用节点,进行信息融合;
S32、通过添加虚拟节点,将物理或功能划分相近的下层网络分层集成连接,自下而上地生成多级分层的贝叶斯故障诊断网络实例。
6.根据权利要求1所述的一种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,其特征在于,所述步骤S4中,征兆异常判定规则所需的基准值和阈值由专家基于历史数据确定。
7.根据权利要求1所述的一种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,其特征在于,所述步骤S5中故障诊断判别依据如下规则:对当前层故障节点的后验概率进行排序,找到后验概率最大的两个故障,其后验概率分别为P1st、P2nd,若判断P1st和P2nd的差值超过阈值,则可判定P1st对应的故障发生,否则在当前层无法得出准确的故障诊断结果,需上移一层进行故障判别,最后根据实际推理结果报出相应的故障诊断结果。
8.根据权利要求6所述的一种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,其特征在于,所述的阈值设为30%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564369.5A CN113310171B (zh) | 2021-05-24 | 2021-05-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110564369.5A CN113310171B (zh) | 2021-05-24 | 2021-05-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113310171A CN113310171A (zh) | 2021-08-27 |
CN113310171B true CN113310171B (zh) | 2022-04-29 |
Family
ID=77374312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110564369.5A Active CN113310171B (zh) | 2021-05-24 | 2021-05-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113310171B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386519A (zh) * | 2022-01-14 | 2022-04-22 | 中国石油大学(华东) | 一种钻井电机复合故障诊断方法 |
CN116678072B (zh) * | 2023-06-05 | 2024-05-10 | 耀昶嵘相变材料科技(广东)有限公司 | 中央空调系统的故障处理方法、终端及中央空调系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10663185B2 (en) * | 2016-07-07 | 2020-05-26 | Enerallies, Inc. | Forecast-based automatic scheduling of a distributed network of thermostats with learned adjustment |
CN107806690B (zh) * | 2017-09-13 | 2019-11-22 | 浙江大学 | 一种基于贝叶斯网络的家用空调故障诊断方法 |
CN108758969B (zh) * | 2018-06-14 | 2020-09-15 | 河南科技大学 | 一种冷水机组故障检测方法和系统 |
CN109460873A (zh) * | 2018-11-14 | 2019-03-12 | 北京未来科学城科技发展有限公司 | 空调系统运行优化方法和装置 |
CN111207484B (zh) * | 2019-12-13 | 2021-01-19 | 浙江大学 | 基于面向对象贝叶斯网络的中央空调系统故障诊断方法 |
CN112766047B (zh) * | 2020-12-29 | 2023-03-21 | 广东麦德克斯科技有限公司 | 一种制冷系统故障诊断方法及制冷装置 |
-
2021
- 2021-05-24 CN CN202110564369.5A patent/CN113310171B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113310171A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113310171B (zh) | 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 | |
Li et al. | A knowledge-guided and data-driven method for building HVAC systems fault diagnosis | |
Hossain et al. | A belief rule based expert system for datacenter PUE prediction under uncertainty | |
Gunay et al. | Cluster analysis-based anomaly detection in building automation systems | |
Bengea et al. | Fault-tolerant optimal control of a building HVAC system | |
Gunay et al. | Characterization of a building's operation using automation data: A review and case study | |
Yang et al. | Leveraging BIM to provide automated support for efficient troubleshooting of HVAC-related problems | |
Yang et al. | Machine learning-based prognostics for central heating and cooling plant equipment health monitoring | |
Zhao et al. | Stochastic programming models for general redundancy-optimization problems | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
Sharifi et al. | Optimizing a redundancy allocation problem with open-circuit and short-circuit failure modes at the component and subsystem levels | |
Nehasil et al. | Versatile AHU fault detection–Design, field validation and practical application | |
CN115084598A (zh) | 一种燃料电池的热管理方法 | |
Yang et al. | Toward failure mode and effect analysis for heating, ventilation and air-conditioning | |
Xu et al. | Learning-based framework for sensor fault-tolerant building hvac control with model-assisted learning | |
Konak et al. | Designing survivable resilient networks: a stochastic hybrid genetic algorithm approach | |
Shirajuddin et al. | Optimization problems in water distribution systems using Non-dominated Sorting Genetic Algorithm II: An overview | |
Gabbar | Improved qualitative fault propagation analysis | |
Li et al. | An optimized GRNN‐enabled approach for power transformer fault diagnosis | |
Feng et al. | A fully distributed voting strategy for AHU fault detection and diagnosis based on a decentralized structure | |
Li et al. | A non-cooperative game-based distributed optimization method for chiller plant control | |
Wright et al. | Evolutionary synthesis of HVAC system configurations: algorithm development (RP-1049) | |
Pradhan et al. | Dynamic bayesian network-based fault diagnosis for ASHRAE guideline 36: high performance sequence of operation for HVAC systems | |
CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
CN111210060B (zh) | 一种工作日期间机房温度预测方法 |
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 |