CN115031357B - 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 - Google Patents
一种适用于不同类型故障特征的基于投票策略的故障诊断方法 Download PDFInfo
- Publication number
- CN115031357B CN115031357B CN202210505157.4A CN202210505157A CN115031357B CN 115031357 B CN115031357 B CN 115031357B CN 202210505157 A CN202210505157 A CN 202210505157A CN 115031357 B CN115031357 B CN 115031357B
- Authority
- CN
- China
- Prior art keywords
- boltzmann machine
- new
- target
- voting
- node
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- 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
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/10—Pressure
- F24F2140/12—Heat-exchange fluid pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种适用于不同类型故障特征的基于投票策略的故障诊断方法,基于物理知识或者经验,得到设备对应的物理模型或者概率神经网络模型以抽取合适的故障特征,并基于故障特征与传感器之间的关系,建立描述传感器网络的玻尔兹曼机;针对单个约束等式涉及至少两个目标传感器的情况,以及单个约束等式仅涉及一个目标传感器的情况,分别提出了新型投票策略,完成各目标传感器分别的当前投票操作;然后基于投票结果设定玻尔兹曼机节点间的权重矩阵,以及基于权重迭代更新玻尔兹曼机的状态,并根据其收敛到的状态对故障进行精确定位。通过本发明,实现了对于空调机组传感器故障的精确诊断,比之其他分布式方法有独特的优势。
Description
技术领域
本发明涉及一种适用于不同类型故障特征的基于投票策略的故障诊断方法,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,主要通过换热、以及送风满足室内人员的舒适度需求,但是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还不是很多。
发明内容
本发明所要解决的技术问题是提供一种适用于不同类型故障特征的基于投票策略的故障诊断方法,应用更加客观的投票机制,能够有效提高空调机组故障判断的准确性。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种适用于不同类型故障特征的基于投票策略的故障诊断方法,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,结合彼此间存在至少一个相同约束等式的两节点以边相连,构建空调机组所对应的玻尔兹曼机结构,基于玻尔兹曼机结构,实时执行如下步骤:
步骤A.基于目标传感器的传感检测数据所涉及各约束等式中等号两侧数据结果之间的差值,以及各目标传感器的当前权值,针对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,完成各目标传感器分别的当前投票操作,然后进入步骤B;
上述步骤A包括步骤A1至步骤A4,完成各目标传感器分别的当前投票操作;
步骤A1.分别针对全部约束等式中的各个约束等式,根据约束等式所涉及各目标传感器的当前传感检测数据,获得该约束等式中等号两侧数据结果之间的差值|rk|,并进一步按如下公式:
获得该约束等式所对应的当前投票值sk(|rk(t)|),进而获得全部约束等式中各个约束等式分别所对应的当前投票值,然后进入步骤A2;其中,1≤k≤K,K表示全部约束等式的个数,|rk(t)|表示当前t时刻全部约束等式中第k个约束等式中等号两侧数据结果之间的差值,sk(|rk(t)|)表示当前t时刻全部约束等式中第k个约束等式所对应的投票值,|rk|ub表示全部约束等式中第k个约束等式中等号两侧数据结果之间的差值上限;
步骤A2.分别针对各个目标传感器,按如下公式:
计算获得目标传感器的当前权值ci(t),然后进入步骤A3;其中,i∈{1、...、N},N表示全部目标传感器的个数,ci(t)表示全部目标传感器中第i个目标传感器对应当前t时刻的权值,S(t),Si,FalAvg如下:
S(t)=[s1(|r1(t)|)...sk(|rk(t)|)… sK(|rK(t)|)]T
Di,fal表示预设历史时长内、全部目标传感器中第i个目标传感器检测出现故障的时刻集合,|Di,fal|表示时刻集合Di,fal中时刻的数量,sk(|rk(t')|)表示时刻集合Di,fal中t'时刻全部约束等式中第k个约束等式所对应的投票值;
步骤A3.基于对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,分别针对情况1所涉及到的各个目标传感器,以目标传感器作为第一待处理目标传感器,基于第一待处理目标传感器所涉及情况1中各约束等式对应的当前投票值,结合第一待处理目标传感器的当前权值,由第一待处理目标传感器分别为其所涉及情况1中各约束等式相关的各其它目标传感器进行投票,然后进入步骤A4;
上述步骤A3中,基于对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,分别针对情况1所涉及到的各个目标传感器,以目标传感器作为第一待处理目标传感器i1,执行如下步骤A3-1至步骤A3-2,由第一待处理目标传感器i1分别为其所涉及情况1中各约束等式相关的各其它目标传感器进行投票,i1、j1={N1},{N1}表示情况1所涉及目标传感器的集合;
步骤A3-1.获得第一待处理目标传感器i1所涉及情况1中各约束等式相关的各其它目标传感器,作为各个待投票目标传感器j1,然后进入步骤A3-2;
步骤A3-2.分别针对各个待投票目标传感器j1,获得第一待处理目标传感器i1与待投票目标传感器j1之间各约束等式对应的当前投票值,并获得该各当前投票值的平均值进一步结合第一待处理目标传感器i1的当前权值/>按如下公式:
步骤A4.分别针对情况2所涉及到的各个约束等式,根据约束等式中等号两侧数据结果之间的差值与该约束等式中等号两侧数据结果之间的差值上限的比较,由全部目标传感器中除该约束等式所涉及目标传感器以外其它各目标传感器、分别为该约束等式所涉及目标传感器进行投票,以及由该约束等式所涉及目标传感器为全部目标传感器中其它各目标传感器进行投票;
上述步骤A4中,分别针对情况2所涉及到的各个约束等式,执行如下步骤A4-1至步骤A4-3;
步骤A4-1.将约束等式所涉及的目标传感器作为第二待处理目标传感器,获得全部目标传感器中除第二待处理目标传感器以外其它各目标传感器的当前权值分别与该约束等式所对应当前投票值的乘积,构成该其它各目标传感器分别向第二待处理目标传感器的当前投票值,由该其它各目标传感器分别为第二待处理目标传感器进行投票,同时由第二待处理目标传感器向该其它各目标传感器分别投票0,然后进入步骤A4-2;
步骤A4-2.获得情况2所涉及各个目标传感器间的投票矩阵Vsingle如下:
步骤A4-3.按如下公式:
获得总投票矩阵V,即获得玻尔兹曼机所对应的节点间投票结果矩阵W=V;
步骤B.分别针对各个目标传感器,以目标传感器作为第三待处理目标传感器,基于第三待处理目标传感器所对应各约束等式所涉及各另外目标传感器分别为第三待处理目标传感器的当前各投票,统计获得该各另外目标传感器分别为第三待处理目标传感器的投票结果;进而获得各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,然后进入步骤C;
步骤C.根据各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间相互投票结果,构成空调机组所对应的玻尔兹曼机,然后进入步骤D;
步骤D.分别针对玻尔兹曼机中的各个节点,判断节点是否与其余各节点之间分别均存在彼此间相互投票结果,是则不做任何操作,否则针对该节点分别与不存在彼此间相互投票结果的各其余节点之间,定义两节点彼此间相互投票结果均为预设值;待完成对玻尔兹曼机中各节点的判断后,更新玻尔兹曼机,然后进入步骤E;
步骤E.基于节点所对应状态值为1表示正常状态、以及节点所对应状态值为0表示非正常状态,定义玻尔兹曼机中各节点分别所对应的状态值为1,并且以玻尔兹曼机对称化为目标,在玻尔兹曼机中新增一个状态值等于1的新节点,在保持对玻尔兹曼机中原有各节点投票结果总和不变的情况下,调整对原有各节点的投票结果,并设定原有各节点分别与新节点彼此间相互投票结果,保证任意两节点彼此间相互投票结果相等,获得对称化新玻尔兹曼机,然后进入步骤F;
步骤F.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率Pi'(0)、状态值转移至1的概率Pi'(1),获得新玻尔兹曼机中各节点i'分别发生状态转移的概率Pi',trans;并基于Pi',trans,获得新玻尔兹曼机所对应总状态k不发生变化的概率akk,以及新玻尔兹曼机由总状态k转移到其他总状态l的概率akl,k≠l;然后基于akk和akl,进一步获得新玻尔兹曼机状态转移矩阵P={akl},k=1,...,2N+1;l=1,...,2N+1,其中N为传感器个数;通过迭代方式针对新玻尔兹曼机的总状态k进行更新,直至至少两次相邻迭代中新玻尔兹曼机总状态k均不发生变化时结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G;
步骤G.判断新玻尔兹曼机中除步骤E中新增节点以外、是否存在状态值等于0的节点,是则该各个状态值等于0的节点分别所对应的目标传感器即为故障目标传感器,否则新玻尔兹曼机中不存在故障目标传感器,实现对空调机组中各目标传感器的实时检测诊断。
作为本发明的一种优选技术方案:所述步骤B中,分别针对各个目标传感器,以目标传感器作为第三待处理目标传感器,执行如下步骤B1;进而获得各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,然后进入步骤C;
步骤B1.分别针对第三待处理目标传感器所对应各约束等式所涉及的各另外目标传感器,统计获得另外目标传感器为第三待处理目标传感器的各投票的平均值,作为该另外目标传感器为第三待处理目标传感器的投票结果;进而获得该各另外目标传感器分别为第三待处理目标传感器的投票结果。
作为本发明的一种优选技术方案:所述步骤E中,基于节点所对应状态值为1表示正常状态、以及节点所对应状态值为0表示非正常状态,执行如下步骤E1至步骤E5,获得新玻尔兹曼机,然后进入步骤F;
步骤E1.定义玻尔兹曼机中各节点分别所对应的状态值为1,并进入步骤E2;
步骤E2.基于用于计算节点i所对应状态值转移至0或1的概率的节点i输入ui如下:
其中W={wj,i},i、j=1,…,N;
然后进入步骤E3;其中,i∈{1、...、N}、j∈{1、...、N},N表示玻尔兹曼机中节点的个数,wj,i表示节点j对节点i的投票结果,θi表示节点i的偏差向量,vj表示节点j所对应的状态值;
步骤E3.在玻尔兹曼机中新增一个状态值等于1的新节点,获得新玻尔兹曼机,并初始化定义新节点分别与新玻尔兹曼机中其余各节点彼此间相互投票结果a1、a2、...、aN,则新玻尔兹曼机所对应的节点间投票结果矩阵然后进入步骤E4;
步骤E4.基于新玻尔兹曼机所对应的节点间投票结果矩阵W′,结合新节点的状态值等于1所构成新玻尔兹曼机对应的状态值矩阵v',以及令各节点的偏差向量θi均等于0所构成的节点偏差向量矩阵θ,则按如下模型:
获得新玻尔兹曼机所对应的节点输入矩阵u',然后进入步骤E5;
步骤E5.基于u=u′如下:
获得新玻尔兹曼机中新节点分别与其余各节点彼此间相互投票结果a1、a2、...、aN如下:
并针对新玻尔兹曼机所对应的节点间投票结果矩阵W′进一步更新,实现新玻尔兹曼机中任意两节点彼此间相互投票结果彼此相等,获得新玻尔兹曼机。
作为本发明的一种优选技术方案:所述步骤F包括步骤F1至步骤F6如下:
ui'表示新玻尔兹曼机中第i'个节点的输入,T表示新玻尔兹曼机的温度,然后进入步骤F2;
步骤F2.基于新玻尔兹曼机中每次至多仅有一个节点的状态值会发生变化的假设,若新玻尔兹曼机总状态k对应所有节点的状态v1、v2、...、vN、vN+1都不发生变化,即新玻尔兹曼机从总状态k转移到总状态k的概率akk为:
当新玻尔兹曼机的总状态由于节点i的状态变化发生转移,则新玻尔兹曼机从总状态k转移到总状态l的概率akl为
因此基于akk和akl,得到新玻尔兹曼机的状态转移矩阵P={akl},并进入步骤F3;
步骤F3.初始化迭代次数s等于0,并进入步骤F4;
步骤F4.根据新玻尔兹曼机的状态转移矩阵P={akl},基于第s次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s),按如下公式:
获得第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),然后进入步骤F5;
步骤F5.选择第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1)中的最大概率,获得该最大概率所对应的总状态作为第s+1次迭代中新玻尔兹曼机对应的状态估计候选值,并判断由第s+1次迭代向历史方迭代向预设至少两次的各次迭代中、新玻尔兹曼机对应的状态估计候选值是否均相同,是则结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G;否则进入步骤F6;
步骤F6.将第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),作为第s+1次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s+1),并应用s+1的值针对s进行更新,然后返回步骤F4。
本发明所述一种适用于不同类型故障特征的基于投票策略的故障诊断方法,采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明所设计适用于不同类型故障特征的基于投票策略的故障诊断方法,基于物理知识或者经验,得到设备对应的物理模型或者概率神经网络模型以抽取合适的故障特征,并基于故障特征与传感器之间的关系,建立描述传感器网络的玻尔兹曼机;针对单个约束等式涉及至少两个目标传感器的情况,以及单个约束等式仅涉及一个目标传感器的情况,分别提出了新型投票策略,完成各目标传感器分别的当前投票操作;然后基于投票结果设定玻尔兹曼机节点间的权重矩阵,以及基于权重迭代更新玻尔兹曼机的状态,并根据其收敛到的状态对故障进行精确定位。通过本发明,实现了对于空调机组传感器故障的精确诊断,比之其他分布式方法有独特的优势。
附图说明
图1是本发明设计适用于不同类型故障特征的基于投票策略的故障诊断方法的流程图;
图2是本发明设计中空调机组传感器构成的玻尔兹曼机示意图;
图3是本发明设计中对送风温度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。
本发明所设计一种适用于不同类型故障特征的基于投票策略的故障诊断方法,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,结合彼此间存在至少一个相同约束等式的两节点以边相连,构建空调机组所对应的玻尔兹曼机结构,基于玻尔兹曼机结构,实时执行如下步骤A至步骤G。
步骤A.基于目标传感器的传感检测数据所涉及各约束等式中等号两侧数据结果之间的差值,以及各目标传感器的当前权值,针对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,完成各目标传感器分别的当前投票操作,然后进入步骤B。
实际应用当中,目标传感器的传感检测数据诸如涉及到冷冻水的流量冷冻水的送水温度Tchw,sup、冷冻水的回水温度Tchw,rn、室外空气流量/>混风流量/>送风流量/>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/>
上述步骤A在应用当中,具体执行如下步骤A1至步骤A4,完成各目标传感器分别的当前投票操作。
步骤A1.分别针对全部约束等式中的各个约束等式,根据约束等式所涉及各目标传感器的当前传感检测数据,获得该约束等式中等号两侧数据结果之间的差值|rk|,并进一步按如下公式:
获得该约束等式所对应的当前投票值sk(|rk(t)|),进而获得全部约束等式中各个约束等式分别所对应的当前投票值,然后进入步骤A2;其中,1≤k≤K,K表示全部约束等式的个数,|rk(t)|表示当前t时刻全部约束等式中第k个约束等式中等号两侧数据结果之间的差值,sk(|rk(t)|)表示当前t时刻全部约束等式中第k个约束等式所对应的投票值,|rk|ub表示全部约束等式中第k个约束等式中等号两侧数据结果之间的差值上限。
步骤A2.分别针对各个目标传感器,按如下公式:
计算获得目标传感器的当前权值ci(t),,然后进入步骤A3。其中,i∈{1、...、N},N表示全部目标传感器的个数,ci(t)表示全部目标传感器中第i个目标传感器对应当前t时刻的权值,S(t),Si,FalAvg如下:
S(t)=[s1(|r1(t)|)...sk(|rk(t)|)… sK(|rK(t)|)]T
Di,fal表示预设历史时长内、全部目标传感器中第i个目标传感器检测出现故障的时刻集合,|Di,fal|表示时刻集合Di,fal中时刻的数量,sk(|rk(t')|)表示时刻集合Di,fal中t'时刻全部约束等式中第k个约束等式所对应的投票值。
步骤A3.基于对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,分别针对情况1所涉及到的各个目标传感器,以目标传感器作为第一待处理目标传感器i1,执行如下步骤A3-1至步骤A3-2,由第一待处理目标传感器i1分别为其所涉及情况1中各约束等式相关的各其它目标传感器进行投票,i1、j1={N1},{N1}表示情况1所涉及目标传感器的集合。
步骤A3-1.获得第一待处理目标传感器i1所涉及情况1中各约束等式相关的各其它目标传感器,作为各个待投票目标传感器j1,然后进入步骤A3-2。
步骤A3-2.分别针对各个待投票目标传感器j1,获得第一待处理目标传感器i1与待投票目标传感器j1之间各约束等式对应的当前投票值,并获得该各当前投票值的平均值进一步结合第一待处理目标传感器i1的当前权值/>按如下公式:
步骤A4.分别针对情况2所涉及到的各个约束等式,根据约束等式中等号两侧数据结果之间的差值与该约束等式中等号两侧数据结果之间的差值上限的比较,由全部目标传感器中除该约束等式所涉及目标传感器以外其它各目标传感器、分别为该约束等式所涉及目标传感器进行投票,以及由该约束等式所涉及目标传感器为全部目标传感器中其它各目标传感器进行投票。
上述步骤A4在实际应用当中,分别针对情况2所涉及到的各个约束等式,执行如下步骤A4-1至步骤A4-3。
步骤A4-1.将约束等式所涉及的目标传感器作为第二待处理目标传感器,获得全部目标传感器中除第二待处理目标传感器以外其它各目标传感器的当前权值分别与该约束等式所对应当前投票值的乘积,构成该其它各目标传感器分别向第二待处理目标传感器的当前投票值,由该其它各目标传感器分别为第二待处理目标传感器进行投票,同时由第二待处理目标传感器向该其它各目标传感器分别投票0,然后进入步骤A4-2。
步骤A4-2.获得情况2所涉及各个目标传感器间的投票矩阵Vsingle如下:
步骤A4-3.按如下公式:
获得总投票矩阵V,即获得玻尔兹曼机所对应的节点间投票结果矩阵W=V。
步骤B.分别针对各个目标传感器,以目标传感器作为第三待处理目标传感器,执行如下步骤B1,基于第三待处理目标传感器所对应各约束等式所涉及各另外目标传感器分别为第三待处理目标传感器的当前各投票,统计获得该各另外目标传感器分别为第三待处理目标传感器的投票结果;进而获得各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,然后进入步骤C。
步骤B1.分别针对第三待处理目标传感器所对应各约束等式所涉及的各另外目标传感器,统计获得另外目标传感器为第三待处理目标传感器的各投票的平均值,作为该另外目标传感器为第三待处理目标传感器的投票结果;进而获得该各另外目标传感器分别为第三待处理目标传感器的投票结果。
步骤C.根据各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间相互投票结果,构成空调机组所对应的玻尔兹曼机,如图2所示,然后进入步骤D。
步骤D.分别针对玻尔兹曼机中的各个节点,判断节点是否与其余各节点之间分别均存在彼此间相互投票结果,是则不做任何操作,否则针对该节点分别与不存在彼此间相互投票结果的各其余节点之间,定义两节点彼此间相互投票结果均为预设值;待完成对玻尔兹曼机中各节点的判断后,更新玻尔兹曼机,然后进入步骤E。
步骤E.基于节点所对应状态值为1表示正常状态、以及节点所对应状态值为0表示非正常状态,定义玻尔兹曼机中各节点分别所对应的状态值为1,并且以玻尔兹曼机对称化为目标,在玻尔兹曼机中新增一个状态值等于1的新节点,在保持对玻尔兹曼机中原有各节点投票结果总和不变的情况下,调整对原有各节点的投票结果,并设定原有各节点分别与新节点彼此间相互投票结果,保证任意两节点彼此间相互投票结果相等,具体执行如下步骤E1至步骤E5,获得对称化新玻尔兹曼机,然后进入步骤F。
步骤E1.定义玻尔兹曼机中各节点分别所对应的状态值为1,并进入步骤E2。
步骤E2.基于用于计算节点i所对应状态值转移至0或1的概率的节点i输入ui如下:
其中W={wj,i},i、j=1,…,N。
然后进入步骤E3;其中,i∈{1、...、N}、j∈{1、...、N},N表示玻尔兹曼机中节点的个数,wj,i表示节点j对节点i的投票结果,θi表示节点i的偏差向量,vj表示节点j所对应的状态值。
步骤E3.在玻尔兹曼机中新增一个状态值等于1的新节点,获得新玻尔兹曼机,并初始化定义新节点分别与新玻尔兹曼机中其余各节点彼此间相互投票结果a1、a2、...、aN,则新玻尔兹曼机所对应的节点间投票结果矩阵然后进入步骤E4。
步骤E4.基于新玻尔兹曼机所对应的节点间投票结果矩阵W′,结合新节点的状态值等于1所构成新玻尔兹曼机对应的状态值矩阵v',以及令各节点的偏差向量θi均等于0所构成的节点偏差向量矩阵θ,则按如下模型:
获得新玻尔兹曼机所对应的节点输入矩阵u',然后进入步骤E5。
步骤E5.基于u=u′如下:
获得新玻尔兹曼机中新节点分别与其余各节点彼此间相互投票结果a1、a2、...、aN如下:
并针对新玻尔兹曼机所对应的节点间投票结果矩阵W′进一步更新,实现新玻尔兹曼机中任意两节点彼此间相互投票结果彼此相等,获得新玻尔兹曼机。
步骤F.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率Pi'(0)、状态值转移至1的概率Pi'(1),获得新玻尔兹曼机中各节点i'分别发生状态转移的概率Pi',trans;并基于Pi',trans,获得新玻尔兹曼机所对应总状态k不发生变化的概率akk,以及新玻尔兹曼机由总状态k转移到其他总状态l的概率akl,k≠l;然后基于akk和akl,进一步获得新玻尔兹曼机状态转移矩阵P={akl},k=1,...,2N+1;l=1,...,2N+1,其中N为传感器个数;通过迭代方式针对新玻尔兹曼机的总状态k进行更新,直至至少两次相邻迭代中新玻尔兹曼机总状态k均不发生变化时结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G。
实际应用当中,上述步骤F具体执行如下步骤F1至步骤F6;
ui'表示新玻尔兹曼机中第i'个节点的输入,T表示新玻尔兹曼机的温度,然后进入步骤F2。
步骤F2.基于新玻尔兹曼机中每次至多仅有一个节点的状态值会发生变化的假设,若新玻尔兹曼机总状态k对应所有节点的状态v1、v2、...、vN、vN+1都不发生变化,即新玻尔兹曼机从总状态k转移到总状态k的概率akk为:
当新玻尔兹曼机的总状态由于节点i的状态变化发生转移,则新玻尔兹曼机从总状态k转移到总状态l的概率akl为
因此基于akk和akl,得到新玻尔兹曼机的状态转移矩阵P={akl},并进入步骤F3。
步骤F3.初始化迭代次数s等于0,并进入步骤F4。
步骤F4.根据新玻尔兹曼机的状态转移矩阵P={akl},基于第s次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s),按如下公式:
获得第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),然后进入步骤F5。
步骤F5.选择第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1)中的最大概率,获得该最大概率所对应的总状态作为第s+1次迭代中新玻尔兹曼机对应的状态估计候选值,并判断由第s+1次迭代向历史方迭代向预设至少两次的各次迭代中、新玻尔兹曼机对应的状态估计候选值是否均相同,是则结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G;否则进入步骤F6。
步骤F6.将第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),作为第s+1次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s+1),并应用s+1的值针对s进行更新,然后返回步骤F4。
步骤G.判断新玻尔兹曼机中除步骤E中新增节点以外、是否存在状态值等于0的节点,是则该各个状态值等于0的节点分别所对应的目标传感器即为故障目标传感器,否则新玻尔兹曼机中不存在故障目标传感器,实现对空调机组中各目标传感器的实时检测诊断。
实际应用中,如图3所示为送风流量传感器随时间的状态变化示意,且送风流量传感器的偏差故障的查准率为1,查全率为1,F测度为1,其中,偏移故障对应的F测度为1,说明该故障可以被精确地诊断出来,而漂移故障的因为其在开始阶段的对于传感器读数的偏移影响比较小,所以不容易诊断出来。在过了一段时间之后才被检测出来。所以,该传感器漂移故障的查准率为0.96,查全率为1,F测度为0.98。漂移故障的F测度要小于偏差故障的F测度。
上述技术方案所设计适用于不同类型故障特征的基于投票策略的故障诊断方法,基于物理知识或者经验,得到设备对应的物理模型或者概率神经网络模型以抽取合适的故障特征,并基于故障特征与传感器之间的关系,建立描述传感器网络的玻尔兹曼机;针对单个约束等式涉及至少两个目标传感器的情况,以及单个约束等式仅涉及一个目标传感器的情况,分别提出了新型投票策略,完成各目标传感器分别的当前投票操作;然后基于投票结果设定玻尔兹曼机节点间的权重矩阵,以及基于权重迭代更新玻尔兹曼机的状态,并根据其收敛到的状态对故障进行精确定位。通过本发明,实现了对于空调机组传感器故障的精确诊断,比之其他分布式方法有独特的优势。
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)
1.一种适用于不同类型故障特征的基于投票策略的故障诊断方法,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,结合彼此间存在至少一个相同约束等式的两节点以边相连,构建空调机组所对应的玻尔兹曼机结构,基于玻尔兹曼机结构,实时执行如下步骤:
步骤A.基于目标传感器的传感检测数据所涉及各约束等式中等号两侧数据结果之间的差值,以及各目标传感器的当前权值,针对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,完成各目标传感器分别的当前投票操作,然后进入步骤B;
上述步骤A包括步骤A1至步骤A4,完成各目标传感器分别的当前投票操作;
步骤A1.分别针对全部约束等式中的各个约束等式,根据约束等式所涉及各目标传感器的当前传感检测数据,获得该约束等式中等号两侧数据结果之间的差值|rk|,并进一步按如下公式:
获得该约束等式所对应的当前投票值sk(|rk(t)|),进而获得全部约束等式中各个约束等式分别所对应的当前投票值,然后进入步骤A2;其中,1≤k≤K,K表示全部约束等式的个数,|rk(t)|表示当前t时刻全部约束等式中第k个约束等式中等号两侧数据结果之间的差值,sk(|rk(t)|)表示当前t时刻全部约束等式中第k个约束等式所对应的投票值,|rk|ub表示全部约束等式中第k个约束等式中等号两侧数据结果之间的差值上限;
步骤A2.分别针对各个目标传感器,按如下公式:
计算获得目标传感器的当前权值ci(t),然后进入步骤A3;其中,i∈{1、...、N},N表示全部目标传感器的个数,ci(t)表示全部目标传感器中第i个目标传感器对应当前t时刻的权值,S(t),Si,FalAvg如下:
S(t)=[s1(|r1(t)|)...sk(|rk(t)|)…sK(|rK(t)|)]T
Di,fal表示预设历史时长内、全部目标传感器中第i个目标传感器检测出现故障的时刻集合,|Di,fal|表示时刻集合Di,fal中时刻的数量,sk(|rk(t')|)表示时刻集合Di,fal中t'时刻全部约束等式中第k个约束等式所对应的投票值;
步骤A3.基于对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,分别针对情况1所涉及到的各个目标传感器,以目标传感器作为第一待处理目标传感器,基于第一待处理目标传感器所涉及情况1中各约束等式对应的当前投票值,结合第一待处理目标传感器的当前权值,由第一待处理目标传感器分别为其所涉及情况1中各约束等式相关的各其它目标传感器进行投票,然后进入步骤A4;
上述步骤A3中,基于对全部约束等式所划分的情况1,单个约束等式涉及至少两个目标传感器,以及情况2,单个约束等式仅涉及一个目标传感器,分别针对情况1所涉及到的各个目标传感器,以目标传感器作为第一待处理目标传感器i1,执行如下步骤A3-1至步骤A3-2,由第一待处理目标传感器i1分别为其所涉及情况1中各约束等式相关的各其它目标传感器进行投票,i1、j1={N1},{N1}表示情况1所涉及目标传感器的集合;
步骤A3-1.获得第一待处理目标传感器i1所涉及情况1中各约束等式相关的各其它目标传感器,作为各个待投票目标传感器j1,然后进入步骤A3-2;
步骤A3-2.分别针对各个待投票目标传感器j1,获得第一待处理目标传感器i1与待投票目标传感器j1之间各约束等式对应的当前投票值,并获得该各当前投票值的平均值进一步结合第一待处理目标传感器i1的当前权值/>按如下公式:
步骤A4.分别针对情况2所涉及到的各个约束等式,根据约束等式中等号两侧数据结果之间的差值与该约束等式中等号两侧数据结果之间的差值上限的比较,由全部目标传感器中除该约束等式所涉及目标传感器以外其它各目标传感器、分别为该约束等式所涉及目标传感器进行投票,以及由该约束等式所涉及目标传感器为全部目标传感器中其它各目标传感器进行投票;
上述步骤A4中,分别针对情况2所涉及到的各个约束等式,执行如下步骤A4-1至步骤A4-3;步骤A4-1.将约束等式所涉及的目标传感器作为第二待处理目标传感器,获得全部目标传感器中除第二待处理目标传感器以外其它各目标传感器的当前权值分别与该约束等式所对应当前投票值的乘积,构成该其它各目标传感器分别向第二待处理目标传感器的当前投票值,由该其它各目标传感器分别为第二待处理目标传感器进行投票,同时由第二待处理目标传感器向该其它各目标传感器分别投票0,然后进入步骤A4-2;
步骤A4-2.获得情况2所涉及各个目标传感器间的投票矩阵Vsingle如下:
步骤A4-3.按如下公式:
获得总投票矩阵V,即获得玻尔兹曼机所对应的节点间投票结果矩阵W=V;
步骤B.分别针对各个目标传感器,以目标传感器作为第三待处理目标传感器,基于第三待处理目标传感器所对应各约束等式所涉及各另外目标传感器分别为第三待处理目标传感器的当前各投票,统计获得该各另外目标传感器分别为第三待处理目标传感器的投票结果;进而获得各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,然后进入步骤C;
步骤C.根据各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间相互投票结果,构成空调机组所对应的玻尔兹曼机,然后进入步骤D;
步骤D.分别针对玻尔兹曼机中的各个节点,判断节点是否与其余各节点之间分别均存在彼此间相互投票结果,是则不做任何操作,否则针对该节点分别与不存在彼此间相互投票结果的各其余节点之间,定义两节点彼此间相互投票结果均为预设值;待完成对玻尔兹曼机中各节点的判断后,更新玻尔兹曼机,然后进入步骤E;
步骤E.基于节点所对应状态值为1表示正常状态、以及节点所对应状态值为0表示非正常状态,定义玻尔兹曼机中各节点分别所对应的状态值为1,并且以玻尔兹曼机对称化为目标,在玻尔兹曼机中新增一个状态值等于1的新节点,在保持对玻尔兹曼机中原有各节点投票结果总和不变的情况下,调整对原有各节点的投票结果,并设定原有各节点分别与新节点彼此间相互投票结果,保证任意两节点彼此间相互投票结果相等,获得对称化新玻尔兹曼机,然后进入步骤F;
步骤F.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率Pi'(0)、状态值转移至1的概率Pi'(1),获得新玻尔兹曼机中各节点i'分别发生状态转移的概率Pi',trans;并基于Pi',trans,获得新玻尔兹曼机所对应总状态k不发生变化的概率akk,以及新玻尔兹曼机由总状态k转移到其他总状态l的概率akl,k≠l;然后基于akk和akl,进一步获得新玻尔兹曼机状态转移矩阵P={akl},k=1,...,2N+1;l=1,...,2N+1,其中N为传感器个数;通过迭代方式针对新玻尔兹曼机的总状态k进行更新,直至至少两次相邻迭代中新玻尔兹曼机总状态k均不发生变化时结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G;
步骤G.判断新玻尔兹曼机中除步骤E中新增节点以外、是否存在状态值等于0的节点,是则该各个状态值等于0的节点分别所对应的目标传感器即为故障目标传感器,否则新玻尔兹曼机中不存在故障目标传感器,实现对空调机组中各目标传感器的实时检测诊断。
2.根据权利要求1所述一种适用于不同类型故障特征的基于投票策略的故障诊断方法,其特征在于:所述步骤B中,分别针对各个目标传感器,以目标传感器作为第三待处理目标传感器,执行如下步骤B1;进而获得各目标传感器分别来自与之相关各另外目标传感器对其的投票结果,然后进入步骤C;
步骤B1.分别针对第三待处理目标传感器所对应各约束等式所涉及的各另外目标传感器,统计获得另外目标传感器为第三待处理目标传感器的各投票的平均值,作为该另外目标传感器为第三待处理目标传感器的投票结果;进而获得该各另外目标传感器分别为第三待处理目标传感器的投票结果。
3.根据权利要求1所述一种适用于不同类型故障特征的基于投票策略的故障诊断方法,其特征在于:所述步骤E中,基于节点所对应状态值为1表示正常状态、以及节点所对应状态值为0表示非正常状态,执行如下步骤E1至步骤E5,获得新玻尔兹曼机,然后进入步骤F;
步骤E1.定义玻尔兹曼机中各节点分别所对应的状态值为1,并进入步骤E2;
步骤E2.基于用于计算节点i所对应状态值转移至0或1的概率的节点i输入ui如下:
其中W={wj,i},i、j=1,…,N;
然后进入步骤E3;其中,i∈{1、...、N}、j∈{1、...、N},N表示玻尔兹曼机中节点的个数,wj,i表示节点j对节点i的投票结果,θi表示节点i的偏差向量,vj表示节点j所对应的状态值;
步骤E3.在玻尔兹曼机中新增一个状态值等于1的新节点,获得新玻尔兹曼机,并初始化定义新节点分别与新玻尔兹曼机中其余各节点彼此间相互投票结果a1、a2、...、aN,则新玻尔兹曼机所对应的节点间投票结果矩阵然后进入步骤E4;
步骤E4.基于新玻尔兹曼机所对应的节点间投票结果矩阵W′,结合新节点的状态值等于1所构成新玻尔兹曼机对应的状态值矩阵v',以及令各节点的偏差向量θi均等于0所构成的节点偏差向量矩阵θ,则按如下模型:
获得新玻尔兹曼机所对应的节点输入矩阵u',然后进入步骤E5;
步骤E5.基于u=u′如下:
获得新玻尔兹曼机中新节点分别与其余各节点彼此间相互投票结果a1、a2、...、aN如下:
并针对新玻尔兹曼机所对应的节点间投票结果矩阵W′进一步更新,实现新玻尔兹曼机中任意两节点彼此间相互投票结果彼此相等,获得新玻尔兹曼机。
4.根据权利要求1所述一种适用于不同类型故障特征的基于投票策略的故障诊断方法,其特征在于:所述步骤F包括步骤F1至步骤F6如下:
ui'表示新玻尔兹曼机中第i'个节点的输入,T表示新玻尔兹曼机的温度,然后进入步骤F2;
步骤F2.基于新玻尔兹曼机中每次至多仅有一个节点的状态值会发生变化的假设,若新玻尔兹曼机总状态k对应所有节点的状态v1、v2、...、vN、vN+1都不发生变化,即新玻尔兹曼机从总状态k转移到总状态k的概率akk为:
当新玻尔兹曼机的总状态由于节点i的状态变化发生转移,则新玻尔兹曼机从总状态k转移到总状态l的概率akl为
因此基于akk和akl,得到新玻尔兹曼机的状态转移矩阵P={akl},并进入步骤F3;
步骤F3.初始化迭代次数s等于0,并进入步骤F4;
步骤F4.根据新玻尔兹曼机的状态转移矩阵P={akl},基于第s次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s),按如下公式:
获得第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),然后进入步骤F5;
步骤F5.选择第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1)中的最大概率,获得该最大概率所对应的总状态作为第s+1次迭代中新玻尔兹曼机对应的状态估计候选值,并判断由第s+1次迭代向历史方迭代向预设至少两次的各次迭代中、新玻尔兹曼机对应的状态估计候选值是否均相同,是则结束迭代,即完成新玻尔兹曼机的更新,然后进入步骤G;否则进入步骤F6;
步骤F6.将第s+1次迭代中新玻尔兹曼机对应各个总状态h的概率Ph(s+1),作为第s+1次迭代中新玻尔兹曼机对应各个总状态g的概率Pg(s+1),并应用s+1的值针对s进行更新,然后返回步骤F4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210505157.4A CN115031357B (zh) | 2022-05-10 | 2022-05-10 | 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210505157.4A CN115031357B (zh) | 2022-05-10 | 2022-05-10 | 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115031357A CN115031357A (zh) | 2022-09-09 |
CN115031357B true CN115031357B (zh) | 2023-05-30 |
Family
ID=83121497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210505157.4A Active CN115031357B (zh) | 2022-05-10 | 2022-05-10 | 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115031357B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963384A (zh) * | 2009-07-23 | 2011-02-02 | 三菱电机株式会社 | 节能设备、空调机 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE8009383U1 (de) * | 1980-04-03 | 1980-07-24 | Jawork, Heinrich, 8412 Burglengenfeld | Belueftungsklappe fuer raeume, staelle o.dgl. |
JP3123783B2 (ja) * | 1991-09-24 | 2001-01-15 | 三洋電機株式会社 | 空気調和機の運転モード設定装置 |
US8352400B2 (en) * | 1991-12-23 | 2013-01-08 | Hoffberg Steven M | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
KR20050058133A (ko) * | 2003-12-11 | 2005-06-16 | 주식회사 대우일렉트로닉스 | 음향을 이용한 에어컨 |
EP2972693A4 (en) * | 2013-03-15 | 2016-12-07 | Tactual Labs Co | ACTIVE OPTICAL PEN AND SENSOR |
US10339466B1 (en) * | 2013-09-11 | 2019-07-02 | Google Llc | Probabilistic inference in machine learning using a quantum oracle |
US9879871B2 (en) * | 2014-06-13 | 2018-01-30 | Lennox Industries Inc. | HVAC systems and methods with refrigerant leak detection |
US10437212B2 (en) * | 2015-04-28 | 2019-10-08 | Schneider Electric Systems Usa, Inc. | Distributed computing in a process control environment |
CN104850906A (zh) * | 2015-05-18 | 2015-08-19 | 清华大学 | 基于群体冷热抱怨信息的室内温度计算方法及系统 |
CN105042791B (zh) * | 2015-08-20 | 2017-11-28 | 苏州创时云能源科技有限公司 | 一种空调除霜在线监测与控制系统及方法 |
AU2016365301B2 (en) * | 2015-11-30 | 2021-08-12 | Nextracker Llc | Systems for and methods of automatically scheduling and executing in situ tests on systems |
WO2017179049A1 (en) * | 2016-04-12 | 2017-10-19 | Grid4C | A method and system for hvac malfunction and inefficiency detection over smart meters data |
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 |
EP3616387A1 (en) * | 2017-04-24 | 2020-03-04 | Carnegie Mellon University | Virtual sensor system |
CN107463963A (zh) * | 2017-08-10 | 2017-12-12 | 郑州云海信息技术有限公司 | 一种故障分类方法及装置 |
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 |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108646725B (zh) * | 2018-07-31 | 2020-01-07 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
JP7193708B2 (ja) * | 2018-10-19 | 2022-12-21 | 富士通株式会社 | 最適化装置及び最適化装置の制御方法 |
CN111174370A (zh) * | 2018-11-09 | 2020-05-19 | 珠海格力电器股份有限公司 | 故障检测方法及装置、存储介质、电子装置 |
CN110022130A (zh) * | 2019-03-11 | 2019-07-16 | 江苏大学 | 一种光伏阵列故障检测设备和方法 |
CN112050427B (zh) * | 2019-06-05 | 2022-03-29 | 青岛海尔空调器有限总公司 | 空调器的控制方法 |
US11614251B2 (en) * | 2019-07-12 | 2023-03-28 | Lg Electronics Inc. | Indoor air quality control method and control apparatus using intelligent air cleaner |
TWI753417B (zh) * | 2020-04-30 | 2022-01-21 | 得意節能科技股份有限公司 | 冷卻系統的監控方法及其監控裝置 |
CN112633493A (zh) * | 2020-12-01 | 2021-04-09 | 北京理工大学 | 一种面向工业设备数据的故障诊断方法及系统 |
CN113188818B (zh) * | 2021-01-19 | 2022-08-19 | 南京信息工程大学 | 一种基于dhmm和cpdspc的空调机组故障诊断方法 |
CN114004374B (zh) * | 2021-10-22 | 2024-06-18 | 南京信息工程大学 | 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 |
CN114353267B (zh) * | 2021-11-30 | 2024-01-30 | 珠海格力节能环保制冷技术研究中心有限公司 | 空调控制方法 |
-
2022
- 2022-05-10 CN CN202210505157.4A patent/CN115031357B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963384A (zh) * | 2009-07-23 | 2011-02-02 | 三菱电机株式会社 | 节能设备、空调机 |
Also Published As
Publication number | Publication date |
---|---|
CN115031357A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN111780332B (zh) | 一种中央空调分户计量方法及装置 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
US20210080138A1 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
CN115115143B (zh) | 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 | |
CN104655673B (zh) | 一种三分仓回转式空气预热器换热性能在线诊断方法 | |
CN109977621A (zh) | 一种基于深度学习的空调故障预测方法 | |
CN109446028A (zh) | 一种基于遗传模糊c-均值聚类的冷冻除湿机状态监测方法 | |
CN108897936A (zh) | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 | |
CN115031357B (zh) | 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 | |
CN112984616A (zh) | 一种供热系统热力站调控规律的辨识方法 | |
KR20200092478A (ko) | 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템 | |
CN115289608B (zh) | 一种基于有监督投票机制的空调机组故障诊断方法 | |
CN109711049B (zh) | 一种混合式的地铁空调冷水机组能效估计方法 | |
CN117113185A (zh) | 一种基于残差多维泰勒网的暖通空调故障诊断方法 | |
JP2005301582A (ja) | プロセス管理装置 | |
CN109435630A (zh) | 一种基于人工神经网络算法的乘员舱温度控制方法 | |
Taal et al. | P&ID-based automated fault identification for energy performance diagnosis in HVAC systems: 4S3F method, development of DBN models and application to an ATES system | |
CN109163415A (zh) | 中央空调水系统调试方法、故障诊断方法、运行优化方法 | |
CN103115395A (zh) | 一种暖通系统及其流量调试方法 | |
CN102289718A (zh) | 一种赤泥沉降过程泥层高度的软测量方法 | |
Du et al. | Tolerant control for multiple faults of sensors in VAV systems | |
CN107169251B (zh) | 一种挂壁式空调系统维修性评估方法 |
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 |