CN114484732B - 一种基于投票网络的空调机组传感器故障诊断方法 - Google Patents

一种基于投票网络的空调机组传感器故障诊断方法 Download PDF

Info

Publication number
CN114484732B
CN114484732B CN202210043873.5A CN202210043873A CN114484732B CN 114484732 B CN114484732 B CN 114484732B CN 202210043873 A CN202210043873 A CN 202210043873A CN 114484732 B CN114484732 B CN 114484732B
Authority
CN
China
Prior art keywords
fault
node
voting
current
value
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
Application number
CN202210043873.5A
Other languages
English (en)
Other versions
CN114484732A (zh
Inventor
严颖
蔡骏
李海波
李涛
张菀
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210043873.5A priority Critical patent/CN114484732B/zh
Publication of CN114484732A publication Critical patent/CN114484732A/zh
Application granted granted Critical
Publication of CN114484732B publication Critical patent/CN114484732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/62—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于投票网络的空调机组传感器故障诊断方法，首先基于各传感器之间等式约束条件，建立描述传感器网络的投票网络；接着每个传感器通过判断对应的约束条件是否满足、来对其他传感器进行投票；然后基于投票结果，确定投票网络节点之间的权值；最后基于权值矩阵得到投票网络中各节点状态，即各传感器的状态，以实现对传感器故障的精确定位；整个设计很好地描述了大规模网络的拓扑结构，并且能够克服大规模网络难以对故障进行定位的缺点，实现了对于空调机组传感器故障的精确诊断，比之其他方法有独特的优势。

Description

一种基于投票网络的空调机组传感器故障诊断方法
技术领域
本发明涉及一种基于投票网络的空调机组传感器故障诊断方法，属于空调机组故障诊断技术领域。
背景技术
暖通空调系统在建筑物总能耗中的能耗占比最高，约为50-60％。在暖通空调中大约42％的制冷能耗、以及26％的维修费用是设备故障造成。据估计，暖通空调故障诊断可以减少10-40％的能源消耗。
空调机组是暖通空调系统中重要的子系统，主要用于通过换热以及送风满足室内人员的舒适度需求。空调机组中的传感器可能出现偏差、零漂、大噪声等故障。这些故障导致无法准确了解设备当前的状态，导致错误的控制，引起能源浪费以及无法满足室内人员的舒适度需求。因此，对于空调机组的传感器的故障诊断很重要，由于空调机组中安装了大量传感器，对于故障的精确定位比较困难。在过去的数十年中，对于空调机组传感器的故障诊断研究一般是中心式方法，而分布式故障诊断方法还比较少。
发明内容
本发明所要解决的技术问题是提供一种基于投票网络的空调机组传感器故障诊断方法，通过传感器之间基于约束等式的投票机制，能够高效准确的针对空调机组实现故障诊断。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于投票网络的空调机组传感器故障诊断方法，用于针对空调机组中各目标传感器进行实时检测诊断，基于空调机组中各目标传感器分别所对应的各个约束等式，以各目标传感器作为各节点，彼此间存在至少一个相同约束等式的两节点以边相连，且相连两节点之间相同各约束等式中等号两侧数据结果之间的差值作为各个故障特征，实时执行如下步骤：
步骤A.分别针对各个故障特征，基于故障特征自当前时间向历史时间方向预设时长正常工作状态下的故障特征绝对值，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，即获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B；
上述步骤A中，分别针对各个故障特征，执行如下步骤A1至步骤A3，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，进而获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B；
步骤A1.基于故障特征自当前时间向历史时间方向预设时长的正常工作状态，获取故障特征对应该预设时长内各时间点相距0预设波动范围内的各个故障特征绝对值，然后进入步骤A2；
步骤A2.获得该各个故障特征绝对值所对应的绝对值均值、以及绝对值标准差，然后进入步骤A3；
步骤A3.根据该绝对值均值、以及该绝对值标准差，应用统计过程控制中的休哈特控制图，采用3-sigma，获得该故障特征的故障特征绝对值所对应的当前置信区间上限；
步骤B.分别针对各个故障特征，基于故障特征的故障特征绝对值所对应的当前置信区间上限，结合预设正常状态下投票值上限、以及预设非正常状态下投票值下限，构建该故障特征所对应的当前投票值模型，并结合该故障特征的当前故障特征绝对值，获得该故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C；
上述步骤B中，分别针对各个故障特征，执行如下步骤B1至步骤B3，获得故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C；
步骤B1.基于故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，结合预设正常状态下投票值上限1、以及预设非正常状态下投票值下限-1，以及故障特征的故障特征绝对值的范围[0，∞]，则定义故障特征的故障特征绝对值为∞时的投票值为-1；故障特征的故障特征绝对值为|rk|ub时的投票值为0；故障特征的故障特征绝对值为0时的投票值为1，然后进入步骤B2；
步骤B2.根据故障特征的故障特征绝对值分别为∞、|rk|ub、0时的投票值-1、0、1，构建该故障特征所对应的当前投票值模型如下：
Figure GDA0004183662310000021
其中，1≤k≤K，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，sk(|rk|)表示第k个故障特征基于其当前故障特征绝对值|rk，当前|所对应的当前投票值；然后进入步骤B3；
步骤B3.根据该故障特征的当前故障特征绝对值，应用该故障特征所对应的投票值模型，获得该故障特征的当前投票值；
步骤C.分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值，然后进入步骤D；
上述步骤C中，分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，按如下公式：
Figure GDA0004183662310000031
获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值
Figure GDA0004183662310000032
然后进入步骤D；其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，/>
Figure GDA0004183662310000033
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，Pi表示第i个节点与拥有相同故障特征的各节点之间各故障特征的集合，/>
Figure GDA0004183662310000034
表示与第i个节点拥有相同故障特征的第ji个节点、和拥有相同故障特征各节点之间各故障特征的集合，ki表示集合Pi中的第ki个故障特征，/>
Figure GDA0004183662310000035
表示集合Pi中第ki个故障特征的当前故障特征绝对值，/>
Figure GDA0004183662310000036
表示集合Pi中第ki个故障特征的当前故障特征绝对值
Figure GDA0004183662310000037
所对应的当前投票值，Ki表示与第i个节点相关的故障特征的个数；/>
Figure GDA0004183662310000038
是与第i个节点、以及与第i个节点拥有相同故障特征的第ji个节点都相关的故障特征的个数，a、b为预设参数；
步骤D.分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，进而完成各节点分别的投票操作，然后进入步骤E；
步骤E.分别针对各个节点，基于与节点拥有相同故障特征的各节点分别为该节点的投票，按投票值求和的方式，统计获得该节点的被投票结果，进而获得各节点的被投票结果，然后进入步骤F；
步骤F.判断各节点的被投票结果中是否存在小于0的被投票结果，是则判定空调机组中各目标传感器中存在故障情形，且最小被投票结果所对应节点的目标传感器出现故障，否则判定全部目标传感器均不存在故障。
作为本发明的一种优选技术方案：所述步骤A3中，根据该绝对值均值μk、以及该绝对值标准差σk，应用统计过程控制中的休哈特控制图，采用3-sigma，按如下公式：
|rk|ub＝μk+3σk
获得该故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，其中，1≤k≤K，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，μk表示第k个故障特征的绝对值均值，σk表示第k个故障特征的绝对值标准差。
作为本发明的一种优选技术方案：所述a＝0.5，b＝0.5。
作为本发明的一种优选技术方案：所述步骤D中，分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，按如下公式：
Figure GDA0004183662310000041
获得该节点对与其拥有相同故障特征的各节点的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，
Figure GDA0004183662310000042
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票值，/>
Figure GDA0004183662310000043
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，/>
Figure GDA0004183662310000044
表示第i个节点与拥有相同故障特征的第ji个节点之间各故障特征的当前投票值的均值。
本发明所述一种基于投票网络的空调机组传感器故障诊断方法，采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明所设计基于投票网络的空调机组传感器故障诊断方法，首先基于各传感器之间等式约束条件，建立描述传感器网络的投票网络；接着每个传感器通过判断对应的约束条件是否满足、来对其他传感器进行投票；然后基于投票结果，确定投票网络节点之间的权值；最后基于权值矩阵得到投票网络中各节点状态，即各传感器的状态，以实现对传感器故障的精确定位；整个设计很好地描述了大规模网络的拓扑结构，并且能够克服大规模网络难以对故障进行定位的缺点，实现了对于空调机组传感器故障的精确诊断，比之其他方法有独特的优势。
附图说明
图1是本发明所设计基于投票网络的空调机组传感器故障诊断方法的框图；
图2是本发明所设计中空调机组传感器构成的投票网络；
图3是本发明所设计中对混风温度传感器的故障诊断结果；
图4是本发明所设计中对室外空气流量传感器的故障诊断结果。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于投票网络的空调机组传感器故障诊断方法，用于针对空调机组中各目标传感器进行实时检测诊断，如图1所示，基于空调机组中各目标传感器分别所对应的各个约束等式，以各目标传感器作为各节点，彼此间存在至少一个相同约束等式的两节点以边相连，且相连两节点之间相同各约束等式中等号两侧数据结果之间的差值作为各个故障特征，实时执行如下步骤A至步骤F。
实际应用当中，这里各目标传感器主要来自空调机组的主要设备冷却盘管和送风风扇，诸如包括冷冻水的流量
Figure GDA0004183662310000051
冷冻水的送水温度Tchw,sup、冷冻水的回水温度Tchw,rn、室外空气流量/>
Figure GDA0004183662310000052
混风流量/>
Figure GDA0004183662310000053
送风流量/>
Figure GDA0004183662310000054
混风温度Ta,mix、送风温度Ta,sup、送风风扇的功率Qsf；以及某些设备参数，包括送风风扇的压降ΔPsf,des、送风温度的设定值Tsup,spt、送风风量的设计值/>
Figure GDA0004183662310000055
则进一步若采集
Figure GDA0004183662310000056
Tchw,sup、Ta,sup、Ta,mix、/>
Figure GDA0004183662310000057
和/>
Figure GDA0004183662310000058
这六个变量的传感器，以各目标传感器作为各节点，彼此间存在至少一个相同约束等式的两节点以边相连，则如图2所示构成包含六个节点的投票网络。
步骤A.分别针对各个故障特征，基于故障特征自当前时间向历史时间方向预设时长正常工作状态下的故障特征绝对值，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，即获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B。
实际应用当中，上述步骤A中，分别针对各个故障特征，执行如下步骤A1至步骤A3，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，进而获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B。
步骤A1.基于故障特征自当前时间向历史时间方向预设时长的正常工作状态，获取故障特征对应该预设时长内各时间点相距0预设波动范围内的各个故障特征绝对值，然后进入步骤A2。
步骤A2.获得该各个故障特征绝对值所对应的绝对值均值、以及绝对值标准差，然后进入步骤A3。
步骤A3.根据该绝对值均值μk、以及该绝对值标准差σk，应用统计过程控制中的休哈特控制图，采用3-sigma，按如下公式：
|rk|ub＝μk+3σk
如此这般，可以基于空调机组设备的物理模型、灰箱模型和神经网络，获得该故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，其中，1≤k≤K，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，μk表示第k个故障特征的绝对值均值，σk表示第k个故障特征的绝对值标准差。
步骤B.分别针对各个故障特征，基于故障特征的故障特征绝对值所对应的当前置信区间上限，结合预设正常状态下投票值上限、以及预设非正常状态下投票值下限，构建该故障特征所对应的当前投票值模型，并结合该故障特征的当前故障特征绝对值，获得该故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C。
实际应用当中，上述步骤B中，分别针对各个故障特征，执行如下步骤B1至步骤B3，获得故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C。
步骤B1.基于故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，结合预设正常状态下投票值上限1、以及预设非正常状态下投票值下限-1，以及故障特征的故障特征绝对值的范围[0，∞]，则定义故障特征的故障特征绝对值为∞时的投票值为-1；故障特征的故障特征绝对值为|rk|ub时的投票值为0；故障特征的故障特征绝对值为0时的投票值为1，然后进入步骤B2。
当节点i的一个故障特征k的绝对值趋近于0，则该节点会对与该故障特征相关的其他节点投一个正值的票，即表示偏向于认为其他节点为正常状态；当这个故障特征的绝对值偏离0，则该节点会对该故障特征中包含的其他节点投负值的票。投票规则设定为1)投1表示极度“肯定”，作为“肯定”的上限，也即判断被投票方处于正常状态；和2)投-1表示极度“反对”，作为“反对”的下限，即判断被投票的传感器存在故障。因此，投票域为[-1，1]。该投票值由故障特征的绝对值决定。可以认为该绝对值的区间为[0，∞]。可以看到绝对值为0意味着被投票方有很大的概率工作正常；绝对值趋近于∞意味着被投票方有很大的概率有故障。另外，投票为正和投票为负的边界为0。而故障特征绝对值的边界可以认为是其置信区间的上限。当故障特征绝对值小于其置信区间的上限，可以倾向于认为被投方为正常，所以应该投正票；而当绝对值大于其置信区间的上限，可以倾向于认为被投方有故障，所以应该投负票。因此，故障特征值的绝对值为其置信区间的上限，对应于投票值0。
因此，提出一个激励函数s将故障特征的绝对值从[0,∞]映射到投票值的[1,-1]的区间内，且满足s(0)＝1、s(∞)＝-1以及
Figure GDA0004183662310000071
其中|rk ub是第k个故障特征绝对值的上限。由此可得/>
Figure GDA0004183662310000072
解该方程组可以得到系数
Figure GDA0004183662310000073
则该激励函数如下所示：
Figure GDA0004183662310000074
因此继续执行如下步骤B2。
步骤B2.根据故障特征的故障特征绝对值分别为∞、|rk|ub、0时的投票值-1、0、1，构建该故障特征所对应的当前投票值模型如下：
Figure GDA0004183662310000075
其中，1≤k≤k，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，sk(|rk|)表示第k个故障特征基于其当前故障特征绝对值|rk,当前|所对应的当前投票值；然后进入步骤B3。
步骤B3.根据该故障特征的当前故障特征绝对值，应用该故障特征所对应的投票值模型，获得该故障特征的当前投票值。
即关于对故障特征的投票中，在正常状态下，故障特征的绝对值趋近于0；在故障状态下，故障特征的绝对值变大。一个传感器可能对应几个故障特征，类似的，一个故障特征也可能对应于几个传感器。当某个故障特征的绝对值偏离0，可以认为与该故障特征相关的所有传感器都可能出错。
步骤C.分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值，然后进入步骤D。
具体实施中，上述步骤C中，分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，按如下公式：
Figure GDA0004183662310000081
获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值
Figure GDA0004183662310000082
然后进入步骤D；其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，/>
Figure GDA0004183662310000083
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，Pi表示第i个节点与拥有相同故障特征的各节点之间各故障特征的集合，/>
Figure GDA0004183662310000084
表示与第i个节点拥有相同故障特征的第ji个节点、和拥有相同故障特征各节点之间各故障特征的集合，ki表示集合Pi中的第ki个故障特征，/>
Figure GDA0004183662310000085
表示集合Pi中第ki个故障特征的当前故障特征绝对值，/>
Figure GDA0004183662310000086
表示集合Pi中第ki个故障特征的当前故障特征绝对值
Figure GDA0004183662310000087
所对应的当前投票值，Ki表示与第i个节点相关的故障特征的个数；/>
Figure GDA0004183662310000088
是与第i个节点、以及与第i个节点拥有相同故障特征的第ji个节点都相关的故障特征的个数，a、b为预设参数，实际应用中，诸如设计a＝0.5，b＝0.5。
步骤D.分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，进而完成各节点分别的投票操作，然后进入步骤E。
具体实施中，上述步骤D中，分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，按如下公式：
Figure GDA0004183662310000091
获得该节点对与其拥有相同故障特征的各节点的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，
Figure GDA0004183662310000092
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票值，/>
Figure GDA0004183662310000093
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，/>
Figure GDA0004183662310000094
表示第i个节点与拥有相同故障特征的第ji个节点之间各故障特征的当前投票值的均值。
步骤E.分别针对各个节点，基于与节点拥有相同故障特征的各节点分别为该节点的投票，按投票值求和的方式，统计获得该节点的被投票结果，进而获得各节点的被投票结果，然后进入步骤F。
本发明设计仅考虑单一传感器故障的情况，考虑到被投票的值的值越小说明越被其他的节点判断故障发生，因此，被投票值之和最低的那个节点被判断为故障节点，进一步执行如下步骤F。
步骤F.判断各节点的被投票结果中是否存在小于0的被投票结果，是则判定空调机组中各目标传感器中存在故障情形，且最小被投票结果所对应节点的目标传感器出现故障，否则判定全部目标传感器均不存在故障。
上述技术方案所设计基于投票网络的空调机组传感器故障诊断方法，应用于实际当中，如图3所示，点划线表示传感器的状态实际值，星划线表示传感器的状态估计值。混风传感器的故障的查准率为0.96，查全率为0.83，F测度为0.89。如图4所示，室外空气流量传感器的故障的查准率为0.93，查全率为1，F测度为0.96。因为以上情况下F测度接近于1，说明故障可以被精确地诊断出来。
上述技术方案所设计基于投票网络的空调机组传感器故障诊断方法，首先基于各传感器之间等式约束条件，建立描述传感器网络的投票网络；接着每个传感器通过判断对应的约束条件是否满足、来对其他传感器进行投票；然后基于投票结果，确定投票网络节点之间的权值；最后基于权值矩阵得到投票网络中各节点状态，即各传感器的状态，以实现对传感器故障的精确定位；整个设计很好地描述了大规模网络的拓扑结构，并且能够克服大规模网络难以对故障进行定位的缺点，实现了对于空调机组传感器故障的精确诊断，比之其他方法有独特的优势。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于投票网络的空调机组传感器故障诊断方法，用于针对空调机组中各目标传感器进行实时检测诊断，其特征在于：基于空调机组中各目标传感器分别所对应的各个约束等式，以各目标传感器作为各节点，彼此间存在至少一个相同约束等式的两节点以边相连，且相连两节点之间相同各约束等式中等号两侧数据结果之间的差值作为各个故障特征，实时执行如下步骤：
步骤A.分别针对各个故障特征，基于故障特征自当前时间向历史时间方向预设时长正常工作状态下的故障特征绝对值，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，即获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B；
上述步骤A中，分别针对各个故障特征，执行如下步骤A1至步骤A3，获得该故障特征的故障特征绝对值所对应的当前置信区间上限，进而获得各个故障特征的故障特征绝对值分别所对应的当前置信区间上限，然后进入步骤B；
步骤A1.基于故障特征自当前时间向历史时间方向预设时长的正常工作状态，获取故障特征对应该预设时长内各时间点相距0预设波动范围内的各个故障特征绝对值，然后进入步骤A2；
步骤A2.获得该各个故障特征绝对值所对应的绝对值均值、以及绝对值标准差，然后进入步骤A3；
步骤A3.根据该绝对值均值、以及该绝对值标准差，应用统计过程控制中的休哈特控制图，采用3-sigma，获得该故障特征的故障特征绝对值所对应的当前置信区间上限；
步骤B.分别针对各个故障特征，基于故障特征的故障特征绝对值所对应的当前置信区间上限，结合预设正常状态下投票值上限、以及预设非正常状态下投票值下限，构建该故障特征所对应的当前投票值模型，并结合该故障特征的当前故障特征绝对值，获得该故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C；
上述步骤B中，分别针对各个故障特征，执行如下步骤B1至步骤B3，获得故障特征的当前投票值；进而获得各故障特征分别所对应的当前投票值，然后进入步骤C；
步骤B1.基于故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，结合预设正常状态下投票值上限1、以及预设非正常状态下投票值下限-1，以及故障特征的故障特征绝对值的范围[0，∞]，则定义故障特征的故障特征绝对值为∞时的投票值为-1；故障特征的故障特征绝对值为|rk|ub时的投票值为0；故障特征的故障特征绝对值为0时的投票值为1，然后进入步骤B2；
步骤B2.根据故障特征的故障特征绝对值分别为∞、|rk|ub、0时的投票值-1、0、1，构建该故障特征所对应的当前投票值模型如下：
Figure FDA0004183662300000021
其中，1≤k≤K，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，sk(|rk|)表示第k个故障特征基于其当前故障特征绝对值|rk,当前|所对应的当前投票值；然后进入步骤B3；
步骤B3.根据该故障特征的当前故障特征绝对值，应用该故障特征所对应的投票值模型，获得该故障特征的当前投票值；
步骤C.分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值，然后进入步骤D；
上述步骤C中，分别针对各个节点，针对与节点拥有相同故障特征的各节点，根据节点与该各节点之间各故障特征的集合、以及该各故障特征分别所对应的当前投票值，按如下公式：
Figure FDA0004183662300000022
获得该节点分别对与其拥有相同故障特征的各节点的当前投票权值
Figure FDA0004183662300000023
然后进入步骤D；其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，/>
Figure FDA0004183662300000024
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，Pi表示第i个节点与拥有相同故障特征的各节点之间各故障特征的集合，/>
Figure FDA0004183662300000025
表示与第i个节点拥有相同故障特征的第ji个节点、和拥有相同故障特征各节点之间各故障特征的集合，ki表示集合Pi中的第ki个故障特征，/>
Figure FDA0004183662300000026
表示集合Pi中第ki个故障特征的当前故障特征绝对值，/>
Figure FDA0004183662300000027
表示集合Pi中第ki个故障特征的当前故障特征绝对值/>
Figure FDA0004183662300000028
所对应的当前投票值，Ki表示与第i个节点相关的故障特征的个数；/>
Figure FDA0004183662300000029
是与第i个节点、以及与第i个节点拥有相同故障特征的第ji个节点都相关的故障特征的个数，a、b为预设参数；
步骤D.分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，进而完成各节点分别的投票操作，然后进入步骤E；
步骤E.分别针对各个节点，基于与节点拥有相同故障特征的各节点分别为该节点的投票，按投票值求和的方式，统计获得该节点的被投票结果，进而获得各节点的被投票结果，然后进入步骤F；
步骤F.判断各节点的被投票结果中是否存在小于0的被投票结果，是则判定空调机组中各目标传感器中存在故障情形，且最小被投票结果所对应节点的目标传感器出现故障，否则判定全部目标传感器均不存在故障。
2.根据权利要求1所述一种基于投票网络的空调机组传感器故障诊断方法，其特征在于：所述步骤A3中，根据该绝对值均值μk、以及该绝对值标准差σk，应用统计过程控制中的休哈特控制图，采用3-sigma，按如下公式：
|rk|ub＝μk+3σk
获得该故障特征的故障特征绝对值所对应的当前置信区间上限|rk|ub，其中，1≤k≤K，K表示故障特征的数量，rk表示第k个故障特征的故障特征值，|rk|ub表示第k个故障特征的故障特征绝对值|rk|所对应的当前置信区间上限，μk表示第k个故障特征的绝对值均值，σk表示第k个故障特征的绝对值标准差。
3.根据权利要求1所述一种基于投票网络的空调机组传感器故障诊断方法，其特征在于：所述a＝0.5，b＝0.5。
4.根据权利要求1所述一种基于投票网络的空调机组传感器故障诊断方法，其特征在于：所述步骤D中，分别针对各个节点，根据节点分别对与其拥有相同故障特征的各节点的当前投票权值、以及该节点与拥有相同故障特征的各节点之间各故障特征的当前投票值，按如下公式：
Figure FDA0004183662300000031
获得该节点对与其拥有相同故障特征的各节点的当前投票值，由该节点对与其拥有相同故障特征的各节点分别进行投票，其中，1≤i≤I，I表示节点的数量，i表示第i个节点，ji表示与第i个节点拥有相同故障特征的第ji个节点，
Figure FDA0004183662300000041
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票值，/>
Figure FDA0004183662300000042
表示第i个节点对与其拥有相同故障特征的第ji个节点的当前投票权值，/>
Figure FDA0004183662300000043
表示第i个节点与拥有相同故障特征的第ji个节点之间各故障特征的当前投票值的均值。/>
CN202210043873.5A 2022-01-14 2022-01-14 一种基于投票网络的空调机组传感器故障诊断方法 Active CN114484732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210043873.5A CN114484732B (zh) 2022-01-14 2022-01-14 一种基于投票网络的空调机组传感器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210043873.5A CN114484732B (zh) 2022-01-14 2022-01-14 一种基于投票网络的空调机组传感器故障诊断方法

Publications (2)

Publication Number Publication Date
CN114484732A CN114484732A (zh) 2022-05-13
CN114484732B true CN114484732B (zh) 2023-06-02

Family

ID=81512222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210043873.5A Active CN114484732B (zh) 2022-01-14 2022-01-14 一种基于投票网络的空调机组传感器故障诊断方法

Country Status (1)

Country Link
CN (1) CN114484732B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494389A (zh) * 2011-12-15 2012-06-13 友达光电股份有限公司 空调控制系统

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020031268A (ko) * 2000-10-18 2002-05-01 조인형 홈 보우팅 방법 및 이에 적용되는 투표자 인증 및 기표장치
JP2006201041A (ja) * 2005-01-20 2006-08-03 Oki Electric Ind Co Ltd 加速度センサ
CN101309151B (zh) * 2008-07-11 2012-08-08 西安电子科技大学 无线传感器安全定位方法
EP2605539B1 (en) * 2011-12-13 2015-03-11 ATS Group (IP Holdings) Limited Method and system for sensor classification
CN103200597B (zh) * 2013-04-19 2015-07-08 山东大学 一种面向无线传感网络的容错事件边界检测方法
CN103533571B (zh) * 2013-11-07 2016-06-08 东南大学 基于投票策略的容错事件检测方法
CN103955984B (zh) * 2014-03-24 2017-11-07 广州华多网络科技有限公司 实现互联网投票的方法、服务器、投票处理节点及系统
CN105571048B (zh) * 2014-11-10 2020-10-20 开利公司 群动态环境控制
CN104501943B (zh) * 2014-12-05 2016-10-26 广东美的制冷设备有限公司 空调器及空调器中光敏传感器的自检装置和自检方法
CN104748300B (zh) * 2015-02-27 2018-04-27 青岛海尔空调器有限总公司 一种空调器故障辅助快速诊断控制方法
CN105933932B (zh) * 2016-06-15 2019-08-27 苏州大学 复杂环境下无线传感器网络的实时故障诊断方法及系统
US11162703B2 (en) * 2016-08-19 2021-11-02 Fraunhofer Usa, Inc. System and method for characterization of retrofit opportunities in building using data from communicating thermostats
CN106501693A (zh) * 2016-12-08 2017-03-15 贵州电网有限责任公司电力科学研究院 一种基于模糊玻尔兹曼机的变压器故障诊断方法
CN106714220B (zh) * 2017-01-06 2019-05-17 江南大学 一种基于mea-bp神经网络wsn异常检测方法
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN107657250B (zh) * 2017-10-30 2020-11-24 四川理工学院 轴承故障检测及定位方法及检测定位模型实现系统和方法
EP3627263B8 (en) * 2018-09-24 2021-11-17 ABB Schweiz AG System and methods monitoring the technical status of technical equipment
JP6838592B2 (ja) * 2018-09-28 2021-03-03 ダイキン工業株式会社 空気調和機
CN109543746B (zh) * 2018-11-20 2019-09-10 河海大学 一种基于节点可靠性的传感器网络事件融合与决策方法
US11002454B2 (en) * 2019-07-23 2021-05-11 Lennox Industries Inc. Detection of refrigerant side faults
CN112747435B (zh) * 2019-10-31 2022-07-05 青岛海尔智能技术研发有限公司 用于控制直流通风系统的方法及装置、直流通风系统
US11566809B2 (en) * 2019-11-12 2023-01-31 Robert Bosch Gmbh Occupant thermal comfort inference using body shape information
CN111102685A (zh) * 2019-12-09 2020-05-05 宁波奥克斯电气股份有限公司 一种传感器及包括该传感器的空调装置
CN112118174B (zh) * 2020-07-30 2023-04-18 中国人民解放军海军工程大学 软件定义数据网关
CN112178869B (zh) * 2020-09-29 2021-12-21 重庆海尔空调器有限公司 用于空调器的故障检测的方法及装置、空调器
CN112413814B (zh) * 2020-11-04 2021-11-19 武汉科技大学 基于综合距离的在线可更新暖通空调传感器故障检测方法
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质
CN112949035A (zh) * 2021-01-29 2021-06-11 国网山东省电力公司济南供电公司 一种传感器的故障诊断方法及装置
CN113566401B (zh) * 2021-08-03 2022-08-12 国网北京市电力公司 需求侧负荷控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494389A (zh) * 2011-12-15 2012-06-13 友达光电股份有限公司 空调控制系统

Also Published As

Publication number Publication date
CN114484732A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Yoon et al. Impacts of HVACR temperature sensor offsets on building energy performance and occupant thermal comfort
US20190354071A1 (en) Hvac control system with model driven deep learning
CN106323390B (zh) 用于使用压差测得值确定流率的系统和方法
CN107111286B (zh) 用于诊断和控制的自动化功能测试
CN110454874A (zh) 具有成本目标优化的建筑物装置
CN106461294A (zh) 热泵和空气调节分级系统及方法
CN114004374B (zh) 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法
CN110220288A (zh) 基于大数据云平台的集中空调系统智能优化控制方法及装置
Schein et al. Application of control charts for detecting faults in variable-air-volume boxes
CN111723085B (zh) 公共建筑空调用电能耗数据清洗方法及系统
Guo et al. Intelligent model based fault detection and diagnosis for HVAC system using statistical machine learning methods
CN109945394A (zh) 一种中央空调冷冻水系统小温差综合征精确诊断方法
CN109711049B (zh) 一种混合式的地铁空调冷水机组能效估计方法
CN114484732B (zh) 一种基于投票网络的空调机组传感器故障诊断方法
AU2021100960A4 (en) Artificial Intelligence Based Cooling System for Managing the Energy Efficiency
US20200309399A1 (en) Air conditioning system, server system, network, method for controlling air conditioning system and method for controlling network
JP2004234302A (ja) プロセス管理装置
CN117113185A (zh) 一种基于残差多维泰勒网的暖通空调故障诊断方法
Sun et al. Research on fault detection method for air handling units system
CN115289608B (zh) 一种基于有监督投票机制的空调机组故障诊断方法
CN107192098A (zh) 医院通风调控方法及调控系统
CN116678075A (zh) 空调节能控制方法及系统
JP2017010238A (ja) 制御バルブの故障診断装置および方法
CN116007129A (zh) 一种融合人热舒适度与检测数据的暖通空调故障诊断方法
Zhai et al. Operating points as communication bridge between energy evaluation with air temperature and velocity based on extreme learning machine (ELM) models

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