CN113591982A - 一种故障检测与诊断算法的性能评估方法及系统 - Google Patents

一种故障检测与诊断算法的性能评估方法及系统 Download PDF

Info

Publication number
CN113591982A
CN113591982A CN202110871557.2A CN202110871557A CN113591982A CN 113591982 A CN113591982 A CN 113591982A CN 202110871557 A CN202110871557 A CN 202110871557A CN 113591982 A CN113591982 A CN 113591982A
Authority
CN
China
Prior art keywords
fault detection
diagnosis
fault
algorithm
input sample
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.)
Pending
Application number
CN202110871557.2A
Other languages
English (en)
Inventor
田崇翼
王有银
马昕
邵珠亮
王学睿
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202110871557.2A priority Critical patent/CN113591982A/zh
Publication of CN113591982A publication Critical patent/CN113591982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于建筑用冷水机组技术领域，提供了一种故障检测与诊断算法的性能评估方法及系统。该方法包括，根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。

Description

一种故障检测与诊断算法的性能评估方法及系统
技术领域
本发明属于建筑用冷水机组技术领域，尤其涉及一种故障检测与诊断算法的性能评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
冷水机组故障诊断效率低下在当今的商业建筑中普遍存在。故障检测和诊断(FDD)工具使用构建操作数据来识别故障的存在并分离其根本原因。广泛采用此类工具并对其识别出的故障进行修正，将使商业建筑部门节省约5％～15％的能源。
故障检测是检测故障行为的过程，故障诊断是检测出故障后隔离故障原因的过程。故障检测和诊断有时是分开进行的，但通常是合并在一个单独的步骤。在过去的三十年里，建筑采暖、通风、空调(HVAC)和控制系统的自动故障检测和诊断(AFDD)方法的发展一直是一个积极的研究领域。
事实上，没有普遍接受的标准来评估FDD算法。迫切需要为现有和下一代FDD工具开发一个广泛适用的评估程序。这种程序将为从早期研究到成熟的商业产品的所有开发阶段的FDD工具的验证和比较提供一种可信的标准方法。考虑到冷水机组FDD用例的多样性和相互竞争的技术，建立一个标准的评估方法是一个令人生畏的挑战。建筑行业和其他行业在建立冷水机组FDD测试程序和指标方面取得了重大进展。然而，现有的评价方法在给定的一般方法内的具体评价参数以及这些选择如何影响评价结果方面存在显著差异。
因此，针对上述问题，亟需一种建筑用冷水机组故障检测与诊断算法的性能评估方法，通过这个通用的、系统的方法来评估冷水机组FDD算法的性能。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种故障检测与诊断算法的性能评估方法及系统，其通过综合考虑故障定义、评估输入样本定义、性能指标等实现了对建筑内冷水机组的故障检测与诊断算法的性能评估。
冷水机组故障检测和诊断(FDD)算法是建筑行业研究和商业产品开发最活跃的领域之一。然而，评估它们的性能比开发这些算法付出了更多的努力。因此，研究的FDD算法和商业产品的准确性和有效性仍然存在相当大的不确定性。同时，这种情况阻碍了FDD工具的广泛采用。本发明提出了一个通用的、系统的方法来评估FDD算法的性能。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种故障检测与诊断算法的性能评估方法。
一种故障检测与诊断算法的性能评估方法，包括：
根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；其中，为了评估AFDD算法的输出对于给定的输入样本是否正确，首先需要建立以该样本表示的系统的状态：有故障或无故障，如果有故障，则存在哪些故障原因。在此步骤中，生成的每个输入样本都会被分配一个真值状态(状态标记)。
基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；其中，输入样本取自构成自动故障检测和诊断(AFDD)算法评价数据集的输入场景。每个输入样本是FDD算法性能评估应产生单一结果的数据集合。输入样本可能包括来自建筑传感器和控制系统的系统信息(元数据)和时间序列趋势数据。
将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。具体的，对于每个输入样本，AFDD算法将产生一个检测结果来表示是否存在故障以及一个诊断结果来进一步说明故障的确切性质或根本原因。联合起来，检测和诊断结果产生一个单一输出。评价结果是通过将FDD算法对每个样本的输出与真实数据进行比较，产生一组原始的评价结果。然后将这些原始结果聚合生成一个或多个FDD性能度量。
进一步的，所述输入场景包括：建筑类型、设备类型、故障类型、故障强度、故障流行度、环境条件和故障检测与诊断算法采用的数据。
进一步的，所述输入样本包括：来自建筑传感器的系统信息和时间序列趋势数据、来自控制系统的系统信息和时间序列趋势数据。
进一步的，基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出的过程包括：将输入样本通过预处理得到一个或几个分析元素，采用故障检测与诊断算法对一个或几个分析元素进行分析，得到若干中间结果，采用故障检测与诊断算法将若干中间结果汇总到一个或几个分析元素中，得到故障检测和故障诊断。具体的，在这一步中，FDD算法首先初始化，然后对每个输入样本执行。初始化可以包括特定于所选输入场景的元数据的输入，使用训练数据集(输入样本用真实数据标记)进行监督学习，或者参数调整来调整算法的灵敏度。在FDD算法中，输入样本被预处理成所需的一个或几个分析元素。FDD算法对各个分析元素进行分析，得到中间FDD结果。然后，FDD算法将这些中间结果汇总到所有分析元素中，产生显示给用户的检测和诊断结果。
进一步的，所述得到的评估结果用于故障检测与诊断算法性能指标的评估的过程包括：将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到评估结果，构建评估结果集；将评估结果集聚合生成一个或多个故障检测与诊断算法的性能度量。
进一步的，所述故障检测与诊断算法的性能指标包括：交叉熵损失函数和准确率。
进一步的，所述故障检测与诊断算法采用长短时记忆网络算法构建的模型。
本发明的第二个方面提供一种故障检测与诊断算法的性能评估系统。
一种故障检测与诊断算法的性能评估系统，包括：
输入信息确定模块，其被配置为：根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；
故障检测和诊断模块，其被配置为：基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；
评估模块，其被配置为：将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的故障检测与诊断算法的性能评估方法及中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的故障检测与诊断算法的性能评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明公开的一种故障检测与诊断算法的性能评估方法及系统，综合考虑故障定义、评估输入样本定义、性能指标等实现了对建筑冷水机组的故障检测与诊断算法的性能评估。值得注意的是，没有普遍接受的标准来评估冷水机组FDD算法，迫切需要为现有和下一代FDD工具开发一个广泛适用的评估方法。考虑FDD用例的多样性和相互竞争的技术，本发明提出了一个通用的、标准的冷水机组FDD性能评价方法，并记录了实施该方法所需的设计决策。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明故障检测与诊断算法的性能评估方法的框架图；
图2是本发明故障检测与诊断算法的性能评估方法的执行流程图；
图3是采用本发明故障检测与诊断算法的性能评估方法的执行结果图；
图4是采用本发明故障检测与诊断算法的性能评估方法的执行前后的性能评价指标结果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种故障检测与诊断算法的性能评估方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；
基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；
将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。
具体的，本实施例技术方案的实现过程可以采用如下步骤：
S1：确定一组输入场景，该场景定义了环境条件、故障类型和故障强度(与可测量有关的故障严重程度)；
具体地，在S1中，所述输入场景确定如下：
每个输入场景定义一个由一个或多个输入样本组成的测试用例。输入场景可以指定：
·建筑类型和特征：济南某办公建筑；
·设备类型：暖通空调冷水机组一台90冷吨的离心式冷水机组，蒸发器和冷凝器为壳管换热器，制冷工质为R134a，载冷剂为水；
·故障类型：
表1 故障类型及严重级别
Figure BDA0003189006070000081
·环境条件：整体设备安装在约22℃的恒温环境中；
·FDD算法可用的数据(如传感器、仪表或控制系统)：FDD算法选用长短时记忆网络算法，数据获取方式如下：
在用户现场设置用能优化系统主机“能效网关”，通过“能效网关”实现云边结合，实现机电设备单元信息的就地采集、边缘计算和就地控制等功能，满足用户用能系统，如中央空调系统和末端空调系统进行计量、监测、分析、控制等能源管理需求。实时监测冷水机组设备运行状态数据，实现运行参数设定、远程设备控制、统计分析和历史查询等功能。
S2：创建一组从输入数据集中抽取的输入样本，每个样本都是一组测试数据集，性能评估将产生单一结果；
具体地，在S2中，所述输入样本的确定方式如下：
输入样本取自构成自动故障检测和诊断(AFDD)算法评价数据集的输入场景。每个输入样本是FDD算法性能评估应产生单一结果的数据集合。输入样本可能包括来自建筑传感器和控制系统的系统信息(元数据)和时间序列趋势数据。输入样本包括6000组数据，将其按照8:2的比例划分为训练集和测试集，数据具体如表中所示(前10组数据)：
表2 冷水机组时间序列数据
序号 kW TCO TEI TCI TEA Evap Tons
1 1.68E-45 66.7 64.45 66 0.1 9.85E-47
2 1.68E-45 66.66 64.45 66 0.1 1.04E-46
3 1.68E-45 66.98 65.63 66.7 0 2.787
4 1.68E-45 67.02 65.72 66.74 0 2.429
5 1.68E-45 67.02 65.8 66.82 0 2.436
6 1.68E-45 67.02 65.88 66.9 0 2.07
7 1.68E-45 67.11 66.04 66.9 0.2 0.9692
8 1.68E-45 67.11 66.17 66.9 0.4 0.9696
9 1.68E-45 67.11 66.33 66.9 0.2 0.9692
10 1.68E-45 67.11 66.49 66.99 0 0.6004
S3：指定与每个输入样本相关的真实数据信息；
具体地，在S3中，所述真实数据具体内容如下：
为了评估AFDD算法的输出对于给定的输入样本是否正确，首先需要建立以该样本表示的系统的状态：有故障或无故障，如果有故障，则存在哪些故障原因。在此步骤中，步骤2中生成的每个输入样本都会被分配一个基真值状态，具体如下表所示：
表3 故障类型及one-hot编码
故障类型 故障标签 one-hot编码
正常 0 100 000
冷凝器水流量减少 1 010 000
蒸发器水流量减少 2 001 000
制冷剂泄漏 3 000 100
制冷剂过量 4 000 010
冷凝器结垢 5 000 001
S4：执行每个输入样本正在评估的故障检测与诊断(FDD)算法，FDD算法接收输入样本，产生故障检测和故障诊断输出；
具体地，在S4中，所述算法执行的具体内容：
在这一步中，FDD算法首先初始化，然后对每个输入样本执行。初始化可以包括特定于所选输入场景的元数据的输入，使用训练数据集(输入样本用真实数据标记)进行监督学习，或者调整(参数调整)来调整算法的灵敏度。图2给出了FDD算法将输入样本(Step 2)转换为算法输出(Step 5)的工作流程。在FDD算法中，输入样本被预处理成所需的一个或几个分析元素。FDD算法对各个分析元素进行分析，得到中间FDD结果。然后，FDD算法将这些中间结果汇总到所有分析元素中，产生显示给用户的检测和诊断结果(Step 5)。
FDD算法选用长短时记忆网络(LSTM)算法，算法执行情况如下：
首先构建LSTM故障识别模型，模型结构主要由输入层、隐藏层、输出层组成，损失函数使用交叉熵损失函数，模型训练过程采用Nadam算法优化器进行优化，在Keras框架下实现网络模型的搭建。
模型训练具体步骤如下所示：
步骤1：将经过数据预处理与特征选择后的样本数据导入输入层。
步骤2：隐藏层包含两层LSTM层，用输入层传输过来的数据逐层训练LSTM，将上一层LSTM网络的隐藏层的神经元的输出相对应送入下一层，进行计算。
步骤3：将输出序列的最终结果送入Softmax分类器作为输出层。
步骤4：输出的预测故障标签与实际标签进行对比，通过损失函数计算不断优化模型，基于GPU并行计算进行网络训练，实现LSTM模型的快速搭建。
S5：检索FDD算法的故障检测和故障诊断输出；
具体地，在S5中，所述算法输出的具体内容：
对于每个输入样本，AFDD算法将产生一个检测结果来表示是否存在故障以及一个诊断结果来进一步说明故障的确切性质或根本原因。联合起来，检测和诊断结果产生一个单一输出，供步骤6使用。故障诊断结果如图3所示。
S6：评估FDD性能指标。
具体地，在S6中，所述评估结果和绩效指标的具体内容：
评价结果是通过将FDD算法对每个样本的输出(Step 5)与真实数据数据(Step 3)进行比较，产生一组原始的评价结果。然后将这些原始结果聚合生成一个或多个FDD性能度量(Step 6)。本实施例采用了两个性能指标，即交叉熵(Cross entropy)损失函数和准确率。
关于样本集的两个概率分布p和q，设p为真实的分布，q为拟合的分布。按照真实分布p来衡量识别一个样本所需的编码长度的期望，即信息熵：
Figure BDA0003189006070000111
如果使用拟合分布q来表示来自真实分布p的编码长度的期望，即交叉熵：
Figure BDA0003189006070000121
对于真实分布p与拟合分布q之间的差异，我们可以用KL散度来衡量，也叫相对熵：
Figure BDA0003189006070000122
在机器学习的分类问题中，我们希望缩小模型预测和标签之间的差距，标签集不变，那么在优化过程中只需要关注交叉熵就可以了。在本研究的多分类任务中，用于描述三种故障分类模型训练性能的交叉熵损失函数可以计算为：
Figure BDA0003189006070000123
其中，p＝[p0，...，pC-1]是一个概率分布，每个元素pi表示样本属于第i类的概率；y＝[y0，...，yC-1]是样本标签的one-hot表示。
在测试样本中，分别以四种严重程度的五种故障为例，比较了三种比较模型的冷水机组故障诊断性能。当发生单一故障时，Cross entropy也可用于对应于特定故障的识别性能评估。同时，还将故障识别准确率(Accuracy)作为另一个性能指标。对于各类型故障的测试时间序列，Accuracy定义为正确诊断的样本数与诊断样本数的比值，用百分数表示，计算公式如下：
Figure BDA0003189006070000124
其中，nsample为样本数；yi＇为预测标签；yi为真实标签。
模型输出的故障标签和实际故障标签相同率较高，分类越准确，准确率也越高。
经过评价指标计算后的FDD算法对冷水机组故障诊断的结果如图4所示。我们可以看到，长短时记忆网络的故障诊断性能较好，在不同故障、不同严重程度的数据样本中均有较好的故障诊断效果，故障诊断准确率较高，模型训练性能优异。
实施例二
本实施例提供了一种故障检测与诊断算法的性能评估系统。
一种故障检测与诊断算法的性能评估系统，包括：
输入信息确定模块，其被配置为：根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；
故障检测和诊断模块，其被配置为：基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；
评估模块，其被配置为：将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。
此处需要说明的是，输入信息确定模块、故障检测和诊断模块和评估模块与实施例一种对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的故障检测与诊断算法的性能评估方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的故障检测与诊断算法的性能评估方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种故障检测与诊断算法的性能评估方法，其特征在于，包括：
根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；
基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；
将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。
2.根据权利要求1所述的故障检测与诊断算法的性能评估方法，其特征在于，所述输入场景包括：建筑类型、设备类型、故障类型、故障强度、故障流行度、环境条件和故障检测与诊断算法采用的数据。
3.根据权利要求1所述的故障检测与诊断算法的性能评估方法，其特征在于，所述输入样本包括：来自建筑传感器的系统信息和时间序列趋势数据、来自控制系统的系统信息和时间序列趋势数据。
4.根据权利要求1所述的故障检测与诊断算法的性能评估方法，其特征在于，基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出的过程包括：将输入样本通过预处理得到一个或几个分析元素，采用故障检测与诊断算法对一个或几个分析元素进行分析，得到若干中间结果，采用故障检测与诊断算法将若干中间结果汇总到一个或几个分析元素中，得到故障检测和故障诊断。
5.根据权利要求1所述的故障检测与诊断算法的性能评估方法，其特征在于，所述得到的评估结果用于故障检测与诊断算法性能指标的评估的过程包括：将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到评估结果，构建评估结果集；将评估结果集聚合生成一个或多个故障检测与诊断算法的性能度量。
6.根据权利要求5所述的故障检测与诊断算法的性能评估方法，其特征在于，所述故障检测与诊断算法的性能指标包括：交叉熵损失函数和准确率。
7.根据权利要求1所述的故障检测与诊断算法的性能评估方法，其特征在于，所述故障检测与诊断算法采用长短时记忆网络算法构建的模型。
8.一种故障检测与诊断算法的性能评估系统，其特征在于，包括：
输入信息确定模块，其被配置为：根据输入场景构建输入样本集，并指定每个输入样本相关的真实数据信息；
故障检测和诊断模块，其被配置为：基于输入样本集，采用故障检测与诊断算法，得到故障检测和故障诊断输出；
评估模块，其被配置为：将每个输入样本对应的故障检测和故障诊断输出与该输入样本相关的真实数据信息进行比较，得到的评估结果用于故障检测与诊断算法性能指标的评估。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的故障检测与诊断算法的性能评估方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的故障检测与诊断算法的性能评估方法中的步骤。
CN202110871557.2A 2021-07-30 2021-07-30 一种故障检测与诊断算法的性能评估方法及系统 Pending CN113591982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110871557.2A CN113591982A (zh) 2021-07-30 2021-07-30 一种故障检测与诊断算法的性能评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110871557.2A CN113591982A (zh) 2021-07-30 2021-07-30 一种故障检测与诊断算法的性能评估方法及系统

Publications (1)

Publication Number Publication Date
CN113591982A true CN113591982A (zh) 2021-11-02

Family

ID=78252667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110871557.2A Pending CN113591982A (zh) 2021-07-30 2021-07-30 一种故障检测与诊断算法的性能评估方法及系统

Country Status (1)

Country Link
CN (1) CN113591982A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116302762B (zh) * 2023-05-12 2023-08-18 北京必示科技有限公司 一种基于红蓝对抗的故障定位应用的评测方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931851A (zh) * 2020-08-11 2020-11-13 辽宁工程技术大学 一种基于一维残差神经网络的风机叶片结冰故障诊断方法
CN112508053A (zh) * 2020-11-10 2021-03-16 泽恩科技有限公司 基于集成学习框架的智能诊断方法、装置、设备及介质
CN112990258A (zh) * 2021-02-01 2021-06-18 山东建筑大学 一种冷水机组故障诊断方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931851A (zh) * 2020-08-11 2020-11-13 辽宁工程技术大学 一种基于一维残差神经网络的风机叶片结冰故障诊断方法
CN112508053A (zh) * 2020-11-10 2021-03-16 泽恩科技有限公司 基于集成学习框架的智能诊断方法、装置、设备及介质
CN112990258A (zh) * 2021-02-01 2021-06-18 山东建筑大学 一种冷水机组故障诊断方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116302762B (zh) * 2023-05-12 2023-08-18 北京必示科技有限公司 一种基于红蓝对抗的故障定位应用的评测方法与系统

Similar Documents

Publication Publication Date Title
Yan et al. Generative adversarial network for fault detection diagnosis of chillers
Yan et al. Semi-supervised learning for early detection and diagnosis of various air handling unit faults
Fan et al. A framework for knowledge discovery in massive building automation data and its application in building diagnostics
Frank et al. A performance evaluation framework for building fault detection and diagnosis algorithms
Li et al. Interpretation of convolutional neural network-based building HVAC fault diagnosis model using improved layer-wise relevance propagation
Yang et al. Machine learning-based prognostics for central heating and cooling plant equipment health monitoring
Tran et al. An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts
Sun et al. Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system
CN113614758A (zh) 设备指标优良性等级预测模型训练方法、监控系统和方法
US20220414526A1 (en) Intelligent fault detection system
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN117556331B (zh) 基于ai增强的空压机维护决策方法及系统
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN117407313A (zh) 一种基于机器学习分析自动化测试质量的方法及系统
CN113591982A (zh) 一种故障检测与诊断算法的性能评估方法及系统
Du et al. Knowledge-extracted deep learning diagnosis and its cloud-based management for multiple faults of chiller
Guo et al. Real-time HVAC sensor monitoring and automatic fault detection system
EP4033421B1 (en) Method and system for predicting a failure of a monitored entity
US10733533B2 (en) Apparatus and method for screening data for kernel regression model building
US20210372647A1 (en) Method and system for automatic detection of malfunctions/inefficient household electronic heating device
Jia et al. A fault diagnosis framework based on heterogeneous ensemble learning for air conditioning chiller with unbalanced samples
CN113587362A (zh) 异常检测方法、装置及空调系统
Chen et al. Development of data-driven performance benchmarking methodology for a large number of bus air conditioners
CN106294061B (zh) 能量强度可变性分析

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