CN115289608B - 一种基于有监督投票机制的空调机组故障诊断方法 - Google Patents

一种基于有监督投票机制的空调机组故障诊断方法 Download PDF

Info

Publication number
CN115289608B
CN115289608B CN202210912736.0A CN202210912736A CN115289608B CN 115289608 B CN115289608 B CN 115289608B CN 202210912736 A CN202210912736 A CN 202210912736A CN 115289608 B CN115289608 B CN 115289608B
Authority
CN
China
Prior art keywords
target sensor
voting
target
boltzmann machine
state
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
CN202210912736.0A
Other languages
English (en)
Other versions
CN115289608A (zh
Inventor
严颖
蔡骏
吴奇
赵兴强
陈亮
姚立
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 CN202210912736.0A priority Critical patent/CN115289608B/zh
Publication of CN115289608A publication Critical patent/CN115289608A/zh
Application granted granted Critical
Publication of CN115289608B publication Critical patent/CN115289608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于有监督投票机制的空调机组故障诊断方法，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、以及结合权值构建投票矩阵，并在投票矩阵之外增加投票系数矩阵，建立以投票系数矩阵为决策变量，基于F测度与1之间的差值的平方和建立优化目标的目标函数，采用模拟退火算法得到最优投票系数矩阵；最后基于最优投票系数矩阵建立玻尔兹曼机的权重矩阵；基于权重矩阵对玻尔兹曼机的状态进行迭代更新，并根据其收敛到的状态确定传感器节点状态，对空调机组传感器故障实现精确诊断，设计方案克服大规模网络难以对故障进行定位的缺点，比之其他分布式方法有独特的优势，并且大大提高了求解速度。

Description

一种基于有监督投票机制的空调机组故障诊断方法
技术领域
本发明涉及一种基于有监督投票机制的空调机组故障诊断方法，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基于有监督投票机制的空调机组故障诊断方法，通过传感器之间基于约束等式的投票机制，结合系数优化，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有监督投票机制的空调机组故障诊断方法，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；
所述空调机组故障诊断方法，根据已知各目标传感器对应正常状态或非正常状态的实际状态的样本时刻，针对初始化各目标传感器之间投票系数值均为1的系数矩阵C，按步骤A至步骤F，获得最优投票系数矩阵；进一步根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，执行步骤i，实现各目标传感器对应待分析时刻的状态检测；
步骤A.基于各目标传感器的样本时刻传感检测数据分别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样本时刻权值，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，完成各目标传感器的样本时刻投票操作，获得总投票矩阵V，然后进入步骤B；
步骤B.根据系数矩阵C如下：
针对总投票矩阵V，按如下公式：
构成玻尔兹曼机所对应的节点间投票结果矩阵W，然后进入步骤C；o表示Hadamard积，N表示全部目标传感器的个数，c1,N表示第1个目标传感器向第N个目标传感器的投票系数值，V1,N表示第1个目标传感器向第N个目标传感器的投票值；
步骤C.基于玻尔兹曼机所对应的节点间投票结果矩阵W，构建空调机组所对应的玻尔兹曼机，并在玻尔兹曼机中新增一个状态值等于1的新节点，获得对称化的新玻尔兹曼机，然后进入步骤D；
步骤D.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)，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E；
步骤E.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，结合各目标传感器对应样本时刻的实际状态，计算获得正常状态、以及各目标传感器故障对应的F1得分，通过求解基于F1得分得到的最优目标函数的适应度函数，获得系数矩阵C所对应的检测质量，然后进入步骤F；
步骤F.判断是否满足预设迭代要求，是则获得最优投票系数矩阵C*；否则随机获得系数矩阵C的邻域解，并应用采用模拟退火算法，更新系数矩阵C，并返回步骤B；
步骤i.根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，按步骤A至步骤D，获得各目标传感器基于最优投票系数矩阵C*、对应待分析时刻的新玻尔兹曼机，判断新玻尔兹曼机中除新增节点以外、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，实现各目标传感器对应待分析时刻的状态检测。
所述步骤A包括步骤A1至步骤A4，完成各目标传感器的样本时刻投票操作；
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样本时刻传感检测数据，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样本时刻投票值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样本时刻投票值，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)|表示样本时刻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)|)表示样本时刻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，计算获得目标传感器的样本时刻权值，然后进入步骤A3；
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样本时刻投票值，结合第一待处理目标传感器的样本时刻权值，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；
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；进而完成各目标传感器的样本时刻投票操作。
所述步骤A2中，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样本时刻权值ci(t)；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个目标传感器对应样本时刻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。
所述步骤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样本时刻投票值，并获得该各样本时刻投票值的平均值进一步结合第一待处理目标传感器i1的样本时刻权值ci1(t)，按如下公式：
获得第一待处理目标传感器i1向该待投票目标传感器j1的样本时刻投票值由第一待处理目标传感器i1为该待投票目标传感器j1进行投票，则情况1所涉及各个目标传感器间的投票矩阵Vmultiple如下：
所述步骤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，该约束等式所对应样本时刻投票值作为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分别向第二待处理目标传感器的样本时刻投票值，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：
Isingle表示情况2所涉及目标传感器的集合，Ksingle表示情况2所涉及约束等式的集合，表示集合Ksingle中各约束等式与集合Isingle中各目标传感器之间一一对应，然后进入步骤A4-3；
步骤A4-3.按如下公式：
获得总投票矩阵V，即完成各目标传感器的样本时刻投票操作。
作为本发明的一种优选技术方案：所述步骤C包括如下步骤C1至步骤C4；
步骤C1.基于玻尔兹曼机所对应的节点间投票结果矩阵W，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，进一步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，统计获得各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，作为该各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；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样本时刻投票结果，然后进入步骤C2；
步骤C2.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样本时刻投票结果，获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间样本时刻相互投票结果，构成空调机组所对应的玻尔兹曼机，然后进入步骤C3；
步骤C3.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C4；
步骤C4.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，获得对称化的新玻尔兹曼机，然后进入步骤D。
作为本发明的一种优选技术方案：所述步骤C4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C4-1至步骤C4-3，获得新玻尔兹曼机，然后进入步骤D；
步骤C4-1.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C4-2；
步骤C4-2.在玻尔兹曼机中新增一个状态值等于1的新节点，并在保持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，获得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：
然后进入步骤C4-3；
步骤C4-3.获得玻尔兹曼机新增新节点后所对应的节点间投票结果矩阵实现玻尔兹曼机新增新节点后任意两节点彼此间相互投票结果彼此相等，获得对称化的新玻尔兹曼机。
作为本发明的一种优选技术方案：所述步骤D包括步骤D1至步骤D6如下：
步骤D1.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率状态值转移至1的概率Pi'(1)＝1-Pi'(0)，按如下公式：
获得各节点i'的状态发生转移的概率Pi',trans，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D2；
步骤D2.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D3；
步骤D3.初始化迭代次数s等于0，并进入步骤D4；
步骤D4.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D5；
步骤D5.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E；否则进入步骤D6；
步骤D6.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D4。
作为本发明的一种优选技术方案：所述步骤E包括如下步骤E1至步骤E5；
步骤E1.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，构成各目标传感器检测状态序列并由各目标传感器对应样本时刻的实际状态，构成各目标传感器实际状态序列X，然后进入步骤E2；
步骤E2.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Precisioni，然后进入步骤E3；其中，TPi表示第i个目标传感器有故障、且被正确诊断为故障状态的概率；FPi表示第i个目标传感器无故障、但是被误诊为故障状态的概率；TNi表示第i个目标传感器无故障、且被正确诊断为无故障的概率；FNi表示第i个目标传感器有故障、但被漏诊为无故障的概率；
步骤E3.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Recalli，然后进入步骤E4；
步骤E4.根据如下公式：
获得各目标传感器对应系数矩阵C下的F1得分F1,i，然后进入步骤E5；
步骤E5.根据如下公式：
s.t.ci,j≥0,i,j＝1,…,N
获得系数矩阵C所对应的F1得分f1(C)，其中，N表示全部目标传感器的个数；表示正常状态下的F1得分，/>为第i个目标传感器的故障对应的F1得分；wnorm表示正常情况下F1得分与1之差的预设权重；wi,fal表示第i个目标传感器的F1得分与1之差的预设权重。
作为本发明的一种优选技术方案：所述步骤F中基于如下两个预设迭代要求同时进行判断，并按满足即跳出迭代原则执行；
预设迭代要求1判断：判断当前迭代次数m是否满足预设最大迭代次数M，是则基于各系数矩阵分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵C的邻域解C(m)，并采用模拟退火算法计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B；
预设迭代要求2判断：判断所获系数矩阵C对应的F1得分相距1的差值是否达到与预设差值阈值，是则基于各系数矩阵C分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵的邻域解C(m)，并计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B。
本发明所述一种基于有监督投票机制的空调机组故障诊断方法，采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明所设计基于有监督投票机制的空调机组故障诊断方法，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、以及结合权值构建投票矩阵，并在投票矩阵之外增加投票系数矩阵，建立以投票系数矩阵为决策变量，基于F测度与1之间的差值的平方和建立优化目标的目标函数，采用模拟退火算法得到最优投票系数矩阵；最后基于最优投票系数矩阵建立玻尔兹曼机的权重矩阵；基于权重矩阵对玻尔兹曼机的状态进行迭代更新，并根据其收敛到的状态确定传感器节点状态，对空调机组传感器故障实现精确诊断，设计方案克服大规模网络难以对故障进行定位的缺点，比之其他分布式方法有独特的优势，并且大大提高了求解速度。
附图说明
图1是本发明所设计基于有监督投票机制的空调机组故障诊断方法的架构框图；
图2是本发明设计应用中所获对称化新玻尔兹曼机的示意图；
图3是本发明设计应用中送风温度传感器状态估计值与状态实际值示意。
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有监督投票机制的空调机组故障诊断方法，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。
实际应用中，关于空调机组中各目标传感器，主要获取空调机组的主要设备冷却盘管和送风风扇的各个传感器的读数，包括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/>
所述空调机组故障诊断方法，根据已知各目标传感器对应正常状态或非正常状态的实际状态的样本时刻，针对初始化各目标传感器之间投票系数值均为1的系数矩阵C，如图1所示，按步骤A至步骤F，获得最优投票系数矩阵。
步骤A.基于各目标传感器的样本时刻传感检测数据分别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样本时刻权值，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，完成各目标传感器的样本时刻投票操作，获得总投票矩阵V，然后进入步骤B；
实际应用当中，上述步骤A具体执行如下步骤A1至步骤A4，完成各目标传感器的样本时刻投票操作。
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样本时刻传感检测数据，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样本时刻投票值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样本时刻投票值，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)|表示样本时刻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)|)表示样本时刻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样本时刻权值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个目标传感器对应样本时刻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，然后进入步骤A4。其中，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样本时刻投票值，并获得该各样本时刻投票值的平均值进一步结合第一待处理目标传感器i1的样本时刻权值/>按如下公式：
获得第一待处理目标传感器i1向该待投票目标传感器j1的样本时刻投票值由第一待处理目标传感器i1为该待投票目标传感器j1进行投票，则情况1所涉及各个目标传感器间的投票矩阵Vmultiple如下：
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；进而完成各目标传感器的样本时刻投票操作；实际应用当中，具体分别针对情况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，该约束等式所对应样本时刻投票值作为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分别向第二待处理目标传感器的样本时刻投票值，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：
Isingle表示情况2所涉及目标传感器的集合，Ksingle表示情况2所涉及约束等式的集合，表示集合Ksingle中各约束等式与集合Isingle中各目标传感器之间一一对应，然后进入步骤A4-3。
步骤A4-3.按如下公式：
获得总投票矩阵V，即完成各目标传感器的样本时刻投票操作。
步骤B.根据系数矩阵C如下：
针对总投票矩阵V，按如下公式：
构成玻尔兹曼机所对应的节点间投票结果矩阵W，然后进入步骤C；o表示Hadamard积，N表示全部目标传感器的个数，c1,N表示第1个目标传感器向第N个目标传感器的投票系数值，V1,N表示第1个目标传感器向第N个目标传感器的投票值；
步骤C.基于玻尔兹曼机所对应的节点间投票结果矩阵W，构建空调机组所对应的玻尔兹曼机，并在玻尔兹曼机中新增一个状态值等于1的新节点，获得对称化的新玻尔兹曼机，然后进入步骤D；
实际应用当中，上述步骤C具体执行如下步骤C1至步骤C4。
步骤C1.基于玻尔兹曼机所对应的节点间投票结果矩阵W，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，进一步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，统计获得各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，作为该各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；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样本时刻投票结果，然后进入步骤C2。
步骤C2.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样本时刻投票结果，获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间样本时刻相互投票结果，构成空调机组所对应的玻尔兹曼机，然后进入步骤C3。
步骤C3.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C4。
步骤C4.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C4-1至步骤C4-3，获得对称化的新玻尔兹曼机，然后进入步骤D。
步骤C4-1.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C4-2。
步骤C4-2.在玻尔兹曼机中新增一个状态值等于1的新节点，并在保持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，获得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：
然后进入步骤C4-3。
步骤C4-3.获得玻尔兹曼机新增新节点后所对应的节点间投票结果矩阵实现玻尔兹曼机新增新节点后任意两节点彼此间相互投票结果彼此相等，获得对称化的新玻尔兹曼机；实际应用当中如图2所示。
步骤D.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)，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E；
实际应用当中，上述步骤D具体执行如下步骤D1至步骤D6。
步骤D1.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率状态值转移至1的概率Pi'(1)＝1-Pi'(0)，按如下公式：
获得各节点i'的状态发生转移的概率Pi',trans，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D2。
步骤D2.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D3。
步骤D3.初始化迭代次数s等于0，并进入步骤D4。
步骤D4.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D5。
步骤D5.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E；否则进入步骤D6。
步骤D6.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D4。
步骤E.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，结合各目标传感器对应样本时刻的实际状态，计算获得正常状态、以及各目标传感器故障对应的F1得分，通过求解基于F1得分得到的最优目标函数的适应度函数，获得系数矩阵C所对应的检测质量，然后进入步骤F。
实际应用当中，上述步骤E具体执行如下步骤E1至步骤E5。
步骤E1.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，构成各目标传感器检测状态序列并由各目标传感器对应样本时刻的实际状态，构成各目标传感器实际状态序列X，然后进入步骤E2。
步骤E2.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Precisioni，然后进入步骤E3；其中，TPi表示第i个目标传感器有故障、且被正确诊断为故障状态的概率；FPi表示第i个目标传感器无故障、但是被误诊为故障状态的概率；TNi表示第i个目标传感器无故障、且被正确诊断为无故障的概率；FNi表示第i个目标传感器有故障、但被漏诊为无故障的概率。
步骤E3.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Recalli，然后进入步骤E4。
步骤E4.根据如下公式：
获得各目标传感器对应系数矩阵C下的F1得分F1,i，然后进入步骤E5。
步骤E5.根据如下公式：
s.t.ci,j≥0,i,j＝1,…,N
获得系数矩阵C所对应的F1得分f1(C)，其中，N表示全部目标传感器的个数；表示正常状态下的F1得分，/>为第i个目标传感器的故障对应的F1得分；wnorm表示正常情况下F1得分与1之差的预设权重；wi,fal表示第i个目标传感器的F1得分与1之差的预设权重。
步骤F.判断是否满足预设迭代要求，是则获得最优投票系数矩阵C*；否则随机获得系数矩阵C的邻域解，并应用采用模拟退火算法，更新系数矩阵C，并返回步骤B。
实际应用当中，上述步骤F中基于如下两个预设迭代要求同时进行判断，并按满足即跳出迭代原则执行。
预设迭代要求1判断：判断当前迭代次数m是否满足预设最大迭代次数M，是则基于各系数矩阵分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵C的邻域解C(m)，并采用模拟退火算法计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B。
预设迭代要求2判断：判断所获系数矩阵C对应的F1得分相距1的差值是否达到与预设差值阈值，是则基于各系数矩阵C分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵的邻域解C(m)，并计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B。
关于模拟退火算法，实际应用中其算法如下：
1)初始化，任选初始解,Ci∈S，给定初始温度T0，终止温度Tf，令迭代指标k＝0,Tk＝T0
2)随机产生一个邻域解，Cj∈N(Ci),(N(Ci)表示Ci的邻域)。计算目标值增量△f＝f(Cj)-f(Ci)
3)若△f<0，令Ci＝Cj转到4)。(如果Cj比Ci好，则无条件转移)﹔否则产生ξ∈U(0,1)，若exp(-△f/Tk)>ξ，则令Ci＝Cj(即Cj比Ci好，为有条件转移)
4)若达到热平衡(内循环次数大于n(Tk))转到5)，否则转到2)。
5)k＝k+1降低Tk到Tk+1，若Tk+1<T；停止，否则转到骤2)。
基于上述步骤A至步骤F所获最优投票系数矩阵，进一步根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，执行步骤i，实现各目标传感器对应待分析时刻的状态检测。
步骤i.根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，按步骤A至步骤D，获得各目标传感器基于最优投票系数矩阵C*、对应待分析时刻的新玻尔兹曼机，判断新玻尔兹曼机中除新增节点以外、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，实现各目标传感器对应待分析时刻的状态检测。
将本发明所设计基于有监督投票机制的空调机组故障诊断方法，应用于实际当中，实验结果显示可以比较精确地诊断出传感器故障。这里考虑了两种类型的传感器故障，包括传感器偏差和传感器漂移。如图3所示，送风温度传感器的偏差故障的查准率为0.98，查全率为1，F测度为1，偏移故障对应的F测度接近于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0.92，查全率为1，F测度为0.96。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基于有监督投票机制的空调机组故障诊断方法，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、以及结合权值构建投票矩阵，并在投票矩阵之外增加投票系数矩阵，建立以投票系数矩阵为决策变量，基于F测度与1之间的差值的平方和建立优化目标的目标函数，采用模拟退火算法得到最优投票系数矩阵；最后基于最优投票系数矩阵建立玻尔兹曼机的权重矩阵；基于权重矩阵对玻尔兹曼机的状态进行迭代更新，并根据其收敛到的状态确定传感器节点状态，对空调机组传感器故障实现精确诊断，设计方案克服大规模网络难以对故障进行定位的缺点，比之其他分布式方法有独特的优势，并且大大提高了求解速度。
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 (6)

1.一种基于有监督投票机制的空调机组故障诊断方法，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；
所述空调机组故障诊断方法，根据已知各目标传感器对应正常状态或非正常状态的实际状态的样本时刻，针对初始化各目标传感器之间投票系数值均为1的系数矩阵C，按步骤A至步骤F，获得最优投票系数矩阵；进一步根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，执行步骤i，实现各目标传感器对应待分析时刻的状态检测；步骤A.基于各目标传感器的样本时刻传感检测数据分别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样本时刻权值，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，完成各目标传感器的样本时刻投票操作，获得总投票矩阵V，然后进入步骤B；
步骤B.根据系数矩阵C如下：
针对总投票矩阵V，按如下公式：
构成玻尔兹曼机所对应的节点间投票结果矩阵W，然后进入步骤C；表示Hadamard积，N表示全部目标传感器的个数，c1,N表示第1个目标传感器向第N个目标传感器的投票系数值，V1,N表示第1个目标传感器向第N个目标传感器的投票值；
步骤C.基于玻尔兹曼机所对应的节点间投票结果矩阵W，构建空调机组所对应的玻尔兹曼机，并在玻尔兹曼机中新增一个状态值等于1的新节点，获得对称化的新玻尔兹曼机，然后进入步骤D；
步骤D.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)，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E；
步骤E.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，结合各目标传感器对应样本时刻的实际状态，计算获得正常状态、以及各目标传感器故障对应的F1得分，通过求解基于F1得分得到的最优目标函数的适应度函数，获得系数矩阵C所对应的检测质量，然后进入步骤F；
步骤F.判断是否满足预设迭代要求，是则获得最优投票系数矩阵C*；否则随机获得系数矩阵C的邻域解，并应用采用模拟退火算法，更新系数矩阵C，并返回步骤B；
步骤i.根据最优投票系数矩阵，针对未知各目标传感器实际状态的待分析时刻，按步骤A至步骤D，获得各目标传感器基于最优投票系数矩阵C*、对应待分析时刻的新玻尔兹曼机，判断新玻尔兹曼机中除新增节点以外、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，实现各目标传感器对应待分析时刻的状态检测；
所述步骤A包括步骤A1至步骤A4，完成各目标传感器的样本时刻投票操作；
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样本时刻传感检测数据，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样本时刻投票值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样本时刻投票值，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)|表示样本时刻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)|)表示样本时刻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，计算获得目标传感器的样本时刻权值，然后进入步骤A3；
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样本时刻投票值，结合第一待处理目标传感器的样本时刻权值，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；
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；进而完成各目标传感器的样本时刻投票操作；
所述步骤A2中，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样本时刻权值ci(t)；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个目标传感器对应样本时刻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；
所述步骤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样本时刻投票值，并获得该各样本时刻投票值的平均值进一步结合第一待处理目标传感器i1的样本时刻权值/>按如下公式：
获得第一待处理目标传感器i1向该待投票目标传感器j1的样本时刻投票值由第一待处理目标传感器i1为该待投票目标传感器j1进行投票，则情况1所涉及各个目标传感器间的投票矩阵Vmultiple如下：
所述步骤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，该约束等式所对应样本时刻投票值作为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分别向第二待处理目标传感器的样本时刻投票值，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：
Isingle表示情况2所涉及目标传感器的集合，Ksingle表示情况2所涉及约束等式的集合，表示集合Ksingle中各约束等式与集合Isingle中各目标传感器之间一一对应，然后进入步骤A4-3；
步骤A4-3.按如下公式：
获得总投票矩阵V，即完成各目标传感器的样本时刻投票操作。
2.根据权利要求1所述一种基于有监督投票机制的空调机组故障诊断方法，其特征在于：所述步骤C包括如下步骤C1至步骤C4；
步骤C1.基于玻尔兹曼机所对应的节点间投票结果矩阵W，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，进一步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，统计获得各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，作为该各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；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样本时刻投票结果，然后进入步骤C2；
步骤C2.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样本时刻投票结果，获得玻尔兹曼机结构中各组彼此以边相连两节点彼此间样本时刻相互投票结果，构成空调机组所对应的玻尔兹曼机，然后进入步骤C3；
步骤C3.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C4；
步骤C4.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，获得对称化的新玻尔兹曼机，然后进入步骤D。
3.根据权利要求2所述一种基于有监督投票机制的空调机组故障诊断方法，其特征在于：所述步骤C4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C4-1至步骤C4-3，获得新玻尔兹曼机，然后进入步骤D；
步骤C4-1.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C4-2；
步骤C4-2.在玻尔兹曼机中新增一个状态值等于1的新节点，并在保持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，获得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：
然后进入步骤C4-3；
步骤C4-3.获得玻尔兹曼机新增新节点后所对应的节点间投票结果矩阵实现玻尔兹曼机新增新节点后任意两节点彼此间相互投票结果彼此相等，获得对称化的新玻尔兹曼机。
4.根据权利要求1所述一种基于有监督投票机制的空调机组故障诊断方法，其特征在于：所述步骤D包括步骤D1至步骤D6如下：
步骤D1.基于新玻尔兹曼机中各节点i'分别对应状态值转移至0的概率状态值转移至1的概率Pi'(1)＝1-Pi'(0)，按如下公式：
获得各节点i'的状态发生转移的概率Pi',trans，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D2；
步骤D2.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D3；
步骤D3.初始化迭代次数s等于0，并进入步骤D4；
步骤D4.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D5；
步骤D5.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E；否则进入步骤D6；
步骤D6.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D4。
5.根据权利要求1所述一种基于有监督投票机制的空调机组故障诊断方法，其特征在于：所述步骤E包括如下步骤E1至步骤E5；
步骤E1.获得新玻尔兹曼机中各目标传感器对应样本时刻的检测状态，构成各目标传感器检测状态序列并由各目标传感器对应样本时刻的实际状态，构成各目标传感器实际状态序列X，然后进入步骤E2；
步骤E2.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Precisioni，然后进入步骤E3；其中，TPi表示第i个目标传感器有故障、且被正确诊断为故障状态的概率；FPi表示第i个目标传感器无故障、但是被误诊为故障状态的概率；TNi表示第i个目标传感器无故障、且被正确诊断为无故障的概率；FNi表示第i个目标传感器有故障、但被漏诊为无故障的概率；
步骤E3.根据如下公式：
获得各目标传感器对应系数矩阵C下的检测精度Recalli，然后进入步骤E4；
步骤E4.根据如下公式：
获得各目标传感器对应系数矩阵C下的F1得分F1,i，然后进入步骤E5；
步骤E5.根据如下公式：
s.t.ci,j≥0,i,j＝1,...,N
获得系数矩阵C所对应的F1得分f1(C)，其中，N表示全部目标传感器的个数；表示正常状态下的F1得分，/>为第i个目标传感器的故障对应的F1得分；wnorm表示正常情况下F1得分与1之差的预设权重；wi,fal表示第i个目标传感器的F1得分与1之差的预设权重。
6.根据权利要求5所述一种基于有监督投票机制的空调机组故障诊断方法，其特征在于：所述步骤F中基于如下两个预设迭代要求同时进行判断，并按满足即跳出迭代原则执行；预设迭代要求1判断：判断当前迭代次数m是否满足预设最大迭代次数M，是则基于各系数矩阵分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵C的邻域解C(m)，并采用模拟退火算法计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B；
预设迭代要求2判断：判断所获系数矩阵C对应的F1得分相距1的差值是否达到与预设差值阈值，是则基于各系数矩阵C分别所对应的F1得分，选择其中距离1最近的F1得分所对应的系数矩阵C，作为最优投票系数矩阵C*；否则获得当前迭代系数矩阵的邻域解C(m)，并计算该邻域解C(m)的适应度函数f(m)，进一步判断f(m)是否小于f(m-1)，是则表示当前迭代的解优于上一迭代的解，应用该邻域解C(m)更新系数矩阵C，并返回步骤B；否则根据当前迭代温度T(m)，以模拟退火算法的一定概率应用该邻域解C(m)更新系数矩阵C，接着降温，然后返回步骤B。
CN202210912736.0A 2022-07-31 2022-07-31 一种基于有监督投票机制的空调机组故障诊断方法 Active CN115289608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210912736.0A CN115289608B (zh) 2022-07-31 2022-07-31 一种基于有监督投票机制的空调机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210912736.0A CN115289608B (zh) 2022-07-31 2022-07-31 一种基于有监督投票机制的空调机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN115289608A CN115289608A (zh) 2022-11-04
CN115289608B true CN115289608B (zh) 2024-06-11

Family

ID=83825315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210912736.0A Active CN115289608B (zh) 2022-07-31 2022-07-31 一种基于有监督投票机制的空调机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN115289608B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786537B (zh) * 2024-02-27 2024-04-30 南京信息工程大学 一种基于fpga的玻尔兹曼机投票网络的分布式故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020191980A1 (zh) * 2019-03-22 2020-10-01 江南大学 一种无线传感网络数据漂移盲校准方法
CN114004374A (zh) * 2021-10-22 2022-02-01 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
CN114353267A (zh) * 2021-11-30 2022-04-15 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015218991A (ja) * 2014-05-21 2015-12-07 株式会社日立製作所 ペリメーターゾーンの熱負荷計測システムおよび空調制御システム
WO2019134254A1 (zh) * 2018-01-02 2019-07-11 上海交通大学 一种运用分布式神经网络的实时经济调度计算方法
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020191980A1 (zh) * 2019-03-22 2020-10-01 江南大学 一种无线传感网络数据漂移盲校准方法
CN114004374A (zh) * 2021-10-22 2022-02-01 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
CN114353267A (zh) * 2021-11-30 2022-04-15 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法-误差反传神经网络的变风量空调系统空调箱故障诊断;张善兴;何金凝;杜志敏;何军;晋欣桥;;制冷技术;20191015(05);全文 *

Also Published As

Publication number Publication date
CN115289608A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
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
CN104246384B (zh) 空气调节机控制装置和空气调节机控制方法
CN115289608B (zh) 一种基于有监督投票机制的空调机组故障诊断方法
EP3025099B1 (en) Control device and method for buildings
CN112052564B (zh) 一种基于机器学习的换热器预测性维护方法与系统
CN110083910B (zh) 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法
CN111507520A (zh) 一种换热机组负荷的动态预测方法及系统
CN108897936A (zh) 一种基于pso-bp模型的污水源热泵机组故障诊断方法
CN111723925A (zh) 一种在途智能列车空调机组故障诊断方法、装置、设备及介质
KR20200092478A (ko) 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템
CN117113185A (zh) 一种基于残差多维泰勒网的暖通空调故障诊断方法
CN109435630A (zh) 一种基于人工神经网络算法的乘员舱温度控制方法
CN116955963B (zh) 基于历史数据分析的暖通节能阶梯寻优控制方法
CN107870611A (zh) 车间模拟装置及车间模拟方法
Pradhan et al. Dynamic bayesian network-based fault diagnosis for ASHRAE guideline 36: high performance sequence of operation for HVAC systems
CN110110411A (zh) 一种湿式冷却塔自适应建模方法
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
CN113188585A (zh) 一种基于少量冗余传感器的冷冻站传感器故障诊断方法
CN111221364B (zh) 一种高精度大流量气体加热装置及方法
CN114484732B (zh) 一种基于投票网络的空调机组传感器故障诊断方法
JP2019133360A (ja) 保守支援装置
CN117804026A (zh) 一种基于霍普菲尔网络的空调机组传感故障检测方法
KR20220089541A (ko) 원전의 감시 시스템 및 방법
CN115808944B (zh) 一种定子温升试验控制方法

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