CN115307669B - 用于检测被测系统的异常传感器的方法、设备和介质 - Google Patents
用于检测被测系统的异常传感器的方法、设备和介质 Download PDFInfo
- Publication number
- CN115307669B CN115307669B CN202211241049.7A CN202211241049A CN115307669B CN 115307669 B CN115307669 B CN 115307669B CN 202211241049 A CN202211241049 A CN 202211241049A CN 115307669 B CN115307669 B CN 115307669B
- Authority
- CN
- China
- Prior art keywords
- value
- model
- temperature difference
- residual
- sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 131
- 239000000498 cooling water Substances 0.000 claims description 76
- 238000001704 evaporation Methods 0.000 claims description 26
- 238000009833 condensation Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 23
- 230000005494 condensation Effects 0.000 claims description 23
- 230000008020 evaporation Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000001816 cooling Methods 0.000 description 7
- 239000003507 refrigerant Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Images
Classifications
-
- 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
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开的实施例涉及用于检测被测系统的异常传感器的方法、设备和介质。根据该方法,从被测系统的多个传感器获取多个第一运行参数,从而基于所述第一运行参数,确定多个第二运行参数;基于所述第一运行参数以及第二运行参数数据,建立与第一模型、第二模型以及第三模型分别相应的数据矩阵并且确定分别对应于所述数据矩阵的特征值、特征向量和统计量阈值;从被测系统的多个传感器获取多个待检测数据;根据所述数据矩阵的特征值、特征向量分解所述待检测数据,从而获取所述待检测数据的统计量值;以及基于所述特征向量确定所述待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器。
Description
技术领域
本公开的实施例总体涉及故障诊断领域,并且更具体地涉及一种用于检测异常传感器的方法、设备和介质。
背景技术
随着智能化的发展,传感器扮演着愈来愈重要的角色。在各种系统(例如,空调系统)中,传感器(例如,空调系统中的冷水机组的传感器)的测量信号是对该系统进行控制和监测的基础,也是对该系统进行能效分析和故障诊断的依据。因此,如果传感器所提供的数据不可靠或不准确,可能会造成控制策略的决策偏差,进而导致整个系统的能耗增加或者环境的舒适性下降,甚至可使得系统在不安全的工况下运行,进而导致系统停机或损坏,甚至造成安全事故。在通常情况下,传感器在经过长期使用之后都会出现测量偏差的问题,因此及时发现传感器的这种异常或故障非常重要。
当前的传感器故障检测研究的方法多数是基于数据驱动的方法,其中基于主元分析(principal component analysis, PCA)的传感器诊断方法被广泛研究。主元分析方法主要是利用变量间的高度相关性,将待检测数据分别向主元子空间及残差子空间投影,故障发生时,残差子空间内的投影显著增加,通过构造统计量及其阈值分析该投影,检测故障是否发生。
该种方法对传感器中异常数据敏感性较强,检测效率较高,但实际应用到中央空调领域时存在一定的局限性。首先,冷水机组的水侧流量作为关键输入参数,并不是冷水机组自带的参数,而是需要额外安装水流量计,不仅施工难度大而且安装成本高;其次,在检测出传感器异常后,定位具体是哪个传感器发生异常时存在一定的误判率,尤其是多个传感器故障并发的情况。这是由于主元分析方法是一种黑箱模型,并未涉及系统参数间的物理关系。因此,现有技术中用于检测异常传感器的问题在于,当系统存在多个传感器时无法准确定位系统中的异常传感器。
发明内容
针对上述问题,本公开提供了一种用于检测异常传感器的方法和设备,使得能够基于专家规则的解耦方法提高主元分析传感器故障诊断的能力。通过冷水机组自带传感器采集的参数计算出水侧实时流量用以构建主元分析模型;在模型训练及故障诊断时均通过分析变量间的物理关系加入规则模型进行优化,可以有效提高检测模型的准确性以及异常传感器的诊断效率。方法适用于多种冷水机组系统,可在线完成传感器的故障检测。
根据本公开的第一方面,提供了一种用于检测被测系统的异常传感器的方法,包括:从被测系统的多个传感器获取多个第一运行参数,从而基于所述第一运行参数,确定多个第二运行参数;基于所述第一运行参数以及第二运行参数数据,建立与第一模型、第二模型以及第三模型分别相应的数据矩阵并且确定分别对应于所述数据矩阵的特征值、特征向量和统计量阈值;从被测系统的多个传感器获取多个待检测数据;根据所述数据矩阵的特征值、特征向量分解所述待检测数据,从而获取所述待检测数据对应于第一模型、第二模型以及第三模型的数据矩阵的统计量值;以及基于所述特征向量确定所述待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于检测异常传感器的方法的示例系统100的示意图。
图2示出了根据本公开的实施例的示例性冷水机组200的示意图。
图3示出了根据本公开的实施例的用于检测异常传感器的方法300的流程图。
图4示出了根据本发明的实施例的第一模型A与等熵效率之间的关系。
图5示出了根据本发明的实施例的第二模型B与冷冻水进出口温差残差值和蒸发器对数平均温差残差值之间的关系。
图6示出了根据本发明的实施例的第三模型C与冷却水进出口温差残差值和冷凝器对数平均温差残差值之间的关系。
图7示出了根据本公开的实施例的电子设备700的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,当前的传感器故障检测研究的方法多数是基于数据驱动的方法,其中基于主元分析(principal component analysis, PCA)的传感器诊断方法被广泛研究。主元分析方法主要是利用变量间的高度相关性,将待检测数据分别向主元子空间及残差子空间投影,故障发生时,残差子空间内的投影显著增加,通过构造统计量及其阈值分析该投影,检测故障是否发生。该种方法对传感器中异常数据敏感性较强,检测效率较高,但实际应用到中央空调领域时存在一定的局限性。首先,冷水机组的水侧流量作为关键输入参数,并不是冷水机组自带的参数,而是需要额外安装水流量计,不仅施工难度大而且安装成本高;其次,在检测出传感器异常后,定位具体是哪个传感器发生异常时存在一定的误判率,尤其是多个传感器故障并发的情况。这是由于主元分析方法是一种黑箱模型,并未涉及系统参数间的物理关系。因此,现有技术中用于检测异常传感器的问题在于,当系统存在多个传感器时无法准确定位系统中的异常传感器。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于检测被测系统的异常传感器的方法,包括:基于预处理配置条件,从被测系统的多个传感器获取多个第一运行参数,从而确定第一运行参数数据集;基于所述第一运行参数数据集,确定多个第二运行参数;基于所确定的多个第二运行参数数据,建立第一模型、第二模型以及第三模型并且确定分别对应于所述第一模型、第二模型以及第三模型的统计量阈值;从被测系统的多个传感器获取对应于所述第一运行参数的待检测数据并且基于所建立的第一模型、第二模型以及第三模型解析所述待检测数据,从而获取所述待检测数据对应于所述第一模型、第二模型以及第三模型的统计量值;以及基于所述特征向量确定所述待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器。
以此方式,使得能够利用被测设备自身的实时运行参数来完成对被测设备所包括的传感器的在线诊断,从而在包括多个传感器的被测系统中准确检测发生故障的传感器,进而保证了传感器所测量的数据的准确性和可靠性,由此为被测设备的安全运行及节能控制策略提供了有效的数据支撑。而且,该方法可以在具有相应传感器的多种被测设备中使用,因此迁移性和普适性较高。
图1示出了用于实现根据本发明的实施例的用于检测异常传感器的方法的示例系统100的示意图。如图1中所示,系统100包括一个或多个故障诊断设备110以及被测系统120。故障诊断设备110和被测系统120可以例如通过网络130经由主机通讯协议进行数据交互。在本公开中,被测系统120可以是诸如中央空调系统中的冷水机组之类的包括多个传感器1201的系统。故障诊断设备110可用于对被测系统120进行故障诊断,包括对被测系统120所包括的多个传感器1201进行故障诊断,以检测这些传感器中的存在故障(或异常)的传感器。故障诊断设备110可通过诸如台式机、膝上型计算机、笔记本电脑、工业控制计算机之类的计算设备或云平台来实现,其可以包括至少一个处理器1101以及与该至少一个处理器1101耦合的至少一个存储器1102,该存储器1102中存储有可由该至少一个处理器1102执行的指令,该指令在被该至少一个处理器1101执行时执行如下所述的方法300。故障诊断设备110的具体结构可例如为下面结合图7所描述的电子设备700。被测系统120可例如为中央空调系统中的冷水机组。
图2示出了根据本公开的实施例的示例性冷水机组200的示意图。如图2所示,冷水机组200可包括冷凝器202、蒸发器204、压缩机206和膨胀装置208四个主要组件,这些组件通过管道(由图2中的线条表示)流体连通,以便实现机组制冷制热效果。具体地,膨胀装置208通过管道与冷凝器202和蒸发器204流体连通,压缩机206也通过管道与冷凝器202和蒸发器204流体连通。冷凝器202可通过管道接收例如来自冷却塔(图中未示出)的冷却水,并对冷却水进行热交换后,使经热交换的冷却水经由管道流出。蒸发器204可通过管道接收冷冻水,并对冷冻水进行热交换后,使经热交换的冷冻水经由管道流出。为了实现对冷水机组200的控制监测,冷水机组200中还包括由如图2中的黑点表示的多个传感器,这些传感器可包括用于测量冷冻水进水温度T1的冷冻水进水温度传感器Sin,e、用于测量冷冻水出水温度T2的冷冻水出水温度传感器Sout,e、用于测量蒸发温度T5的蒸发温度传感器Se、用于测量冷却水进水温度T3的冷却水进水温度传感器Sin,c、用于测量冷却水出水温度T4的冷却水出水温度传感器Sout,c、用于测量冷凝温度T6的冷凝温度传感器Sc、用于测量排气温度T7的排气温度传感器Sdis。本公开的方案可用于检测这些传感器中出现异常(或故障)的传感器。
蒸发温度若不能直接读取,可根据蒸发压力或者吸气压力通过拟合或者调用软件获得;所述冷凝温度若不能直接读取,可根据冷凝压力或者排气压力通过拟合或者调用软件获得;排气温度若不能直接读取,则使用供油温度或者油箱温度进行代替。
在被测系统为冷水机组的情况下,冷水机组可以包括冷凝器、蒸发器、膨胀装置和压缩机。被测装置中的多个传感器可以包括冷冻水进水温度传感器、冷冻水出水温度传感器、蒸发温度传感器、冷却水进水温度传感器、冷却水出水温度传感器、冷凝温度传感器以及排气温度传感器。
为了清楚起见,下面将简单介绍冷水机组200在制冷时的基本工作原理。冷水机组200利用蒸发器204使进入蒸发器204的冷冻水与冷媒进行热交换,冷媒吸收水中的热负荷,从而使水降温产生冷水,然后通过压缩机206的作用将热量带至冷凝器202,在冷凝器202中由冷媒与进入的冷却水进行热交换,使冷却水吸收热量后通过水管将热量带出。如图2所示,在制冷循环过程中,开始时,由压缩机206吸入蒸发制冷后的低温低压制冷剂气体,然后将该气体压缩成高温高压气体后送至冷凝器。该高温高压气体经冷凝器冷却后冷凝变为高温高压液体。该高温高压液体流入膨胀装置208,然后经膨胀装置208节流成低温低压的两相制冷剂,该两相制冷剂流入蒸发器204后用于吸收蒸发器204内的冷冻水的热量使水温度下降。蒸发后的制冷剂再吸回到压缩机206中,然后重复下一个制冷循环。由此可见,关于冷水机组的各个运行参数数据之间实际上应该存在一定的约束条件的,该约束条件可基于冷水机组中的每一组件对流经该组件的流体的能量调节(例如,传热机理或热量调节)作用确定。
图3示出了根据本公开的实施例的用于检测异常传感器的方法300的流程图。方法300可由如图1所示的故障诊断设备110执行,该故障诊断设备110的具体结构可如图7所示的电子设备700所示。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,故障诊断设备110可以从被测系统的多个传感器获取多个第一运行参数,从而基于所述第一运行参数,确定多个第二运行参数。
被测系统可是如图2所示的冷水机组200,因此在该示例中,该多个第一运行参数可包括:由冷冻水进水温度传感器Sin,e测量的冷冻水进水温度T1、由冷冻水出水温度传感器Sout,e测量的冷冻水出水温度T2、由冷却水进水温度传感器Sin,c测量的冷却水进水温度T3、由冷却水出水温度传感器Sout,c测量的冷却水出水温度T4、由蒸发温度传感器Se测量的蒸发温度T5、由冷凝温度传感器Sc测量的冷凝温度T6、由排气温度传感器Sdis测量的排气温度T7以及压缩机功率。
在一个实施例中,第一运行参数可以是被测系统的冷水机组开机超过预设时间后采集的参数,即,被测系统稳定运行的时间或被测系统的开机时间已达到或超过阈值时间长度(例如,2个小时)。第一运行参数可以是实时获取的。在该稳定运行时间期间,如果某个特定的第一运行参数数据的所有值均为空值或所有值均为0,则视为用于感测或测量该第一运行参数数据的传感器不存在,因此不列入传感器诊断清单。
故障诊断设备110可以基于所述第一运行参数数据,确定多个第二运行参数。例如,在前面提到的冷水机组的示例中,多个第二运行参数数据可包括冷冻水进出口温差、蒸发器对数平均温差、冷冻水流量、冷却水进出口温差、冷凝器对数平均温差、冷却水流量以及等熵效率。
其中,k为系数,其取值在范围 (0,1)之间,并且具体根据压缩机的结构、冷却形式及运行时间等因素来取值;为吸气焓值,其取决于吸气温度和蒸发温度,也可以由蒸发温度通过拟合或调用软件获得;为排气焓值,其取决于排气温度和冷凝温度,可由冷凝温度和排气温度通过拟合或调用软件获得;为冷凝器出口焓值,其取决于阀前温度和冷凝温度,也可由冷凝温度通过拟合或调用软件获得;为冷冻水进水温度;为冷冻水出水温度;为冷冻水的定压比热容(例如,一般为4.182);为压缩机功率。
其中,k为系数,其取值在范围 (0,1)之间,并且具体根据压缩机的结构、冷却形式及运行时间等因素来取值;为吸气焓值,其取决于吸气温度和蒸发温度,也可以由蒸发温度通过拟合或调用软件获得;为排气焓值,其取决于排气温度和冷凝温度,可由冷凝温度和排气温度通过拟合或调用软件获得;为冷凝器出口焓值,其取决于阀前温度和冷凝温度,也可由冷凝温度通过拟合或调用软件获得;为冷却水进水温度;为冷却水出水温度;为冷却水的定压比热容(例如,一般为4.182);为压缩机功率。
其中,为等熵排气焓值,等熵排气焓值由吸气熵值和冷凝温度通过拟合或调用软件获得;其中吸气熵值由蒸发温度通过拟合或调用软件获得;为吸气焓值,其取决于吸气温度和蒸发温度,也可以由蒸发温度通过拟合或调用软件获得;为排气焓值,其取决于排气温度和冷凝温度,可由冷凝温度和排气温度通过拟合或调用软件获得。
在步骤304,故障诊断设备110可以基于所述第一运行参数以及第二运行参数数据,建立与第一模型、第二模型以及第三模型分别相应的数据矩阵并且确定分别对应于所述数据矩阵的特征值、特征向量和统计量阈值。
具体来说,故障诊断设备110可以基于各参数间的相关性,建立例如第一模型A、第二模型B、第三模型C的多重检测模型。
在一个实施例中,第一模型A可由以下参数确定:蒸发温度、冷凝温度、排气温度T7、冷冻水出水温度T2、冷却水进水温度、等熵效率、机组负载率。机组负载率可以选用压缩机实时功率与额定功率的比值。第一模型A可以代表被测系统的压缩机模型,建模的方式可以主元分析领域常用的建模方法。
第二模型B可由以下参数确定:冷冻水进水温度T1、冷冻水出水温度T2、蒸发温度、冷冻水进出口温差、蒸发器对数平均温差、冷冻水流量、冷水机组负载率。机组负载率可以选用压缩机实时功率与额定功率的比值。第二模型B可以代表被测系统的蒸发器模型,建模的方式可以主元分析领域常用的建模方法。
第三模型C可由以下参数确定:冷却水进水温度、冷却水出水温度、冷凝温度、冷却水进出口温差、冷凝器对数平均温差、冷却水流量、冷水机组负载率。机组负载率可以选用压缩机实时功率与额定功率的比值。第三模型C可以代表被测系统的冷凝器模型。
建立第一模型A、第二模型B、第三模型C的数据矩阵并对数据进行标准化处理后,计算矩阵的特征值和特征向量,采用主元贡献率百分比法(例如,百分比85%)确定主元个数,根据主元个数确定主元向量和残差向量以及代表正常数据的统计量阈值Q0等关键检测参数,至此完成正常运行数据的建模。建模的方式可以主元分析领域常用的建模方法。
基于所建立的模型,可以确定对应于第一模型A、第二模型B以及第三模型C的统计量阈值Q0。当带入待检测数据后,统计量高于统计量阈值,则表示被测系统的传感器可能存在异常。若未超过阈值则代表暂无异常传感器,否则代表有异常传感器,需要进一步检测异常。随后可以根据各参数间相互影响关系,检测异常传感器。
注意的是,第一模型A、第二模型B以及第三模型C的统计量阈值可能相同也可能不同。第一模型A又可以称为压缩机模型、第二模型B又可以称为蒸发器模型,第三模型C又可以称为冷凝器模型。
在步骤306,故障诊断设备110可以从被测系统的多个传感器获取多个待检测数据。
在一个实施例中,故障诊断设备110可以由冷冻水进水温度传感器Sin,e获取当前的冷冻水进水温度T1、由冷冻水出水温度传感器Sout,e获取当前的冷冻水出水温度T2、由冷却水进水温度传感器Sin,c获取当前的冷却水进水温度T3、由冷却水出水温度传感器Sout,c获取当前的冷却水出水温度T4、由蒸发温度传感器Se获取当前的蒸发温度T5、由冷凝温度传感器Sc获取当前的冷凝温度T6、由排气温度传感器Sdis获取当前的排气温度T7,并且将上述数据带入到在步骤304中所建立的第一模型A、第二模型B以及第三模型C,从而获取当前待检测数据对应于第一模型A、第二模型B以及第三模型C的统计量值。
在步骤308,故障诊断设备110可以根据数据矩阵的特征值、特征向量分解在步骤306中获取的待检测数据,从而获取待检测数据对应于第一模型、第二模型以及第三模型的数据矩阵的统计量值。
对于待检测数据按照以上步骤进行数据处理,并获取相应的第一模型A、第二模型B和第三模型C的数据矩阵,分别将各模型的待检测数据矩阵在相应训练模型的主元向量和残差向量上进行分解,计算任意一组数据的统计量值Q以及每一个传感器参数的残差,从而将待检测数据的统计量值Q与相应训练模型的阈值Q0进行比较。
在步骤310,故障诊断设备110可以基于前述特征向量确定待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器。
在一个实施例中,可以将待检测数据每一组的统计量Q与相应训练模型的统计量阈值Q0进行比较,计算涉及多项第一运行参数和第二运行参数的残差值,残差值包括等熵效率残差值、冷冻水进出口温差残差值、蒸发器对数平均温差残差值、冷却水进出口温差残差值、冷凝器对数平均温差残差值。如果对应于第一模型A、第二模型B和第三模型C的数据矩阵获取的统计量值均小于统计量阈值,则传感器无异常。
注意的是,超过阈值或残差超出阈值指的是,模型的统计量(残差值的统计量)高于阈值或超出阈值指的是,该模型(例如,第一模型A)的数据矩阵中满足该条件的数据组占比超过预设百分比(例如,50%)。当使用多组数据构建模型的时候,每组数据均可以计算出一个统计量用于确定传感器是否异常。
如果对应于第一模型A的数据矩阵获取的统计量值大于或等于统计量阈值并且对应于第二模型B和第三模型C的数据矩阵获取的统计量值均小于统计量阈值,同时等熵效率的残差绝对值超过预设阈值,例如超过预设比分比,则被测系统的排气温度传感器存在异常。
如果对应于第一模型A和第二模型B的数据矩阵获取的统计量值均大于或等于相应统计量阈值,则根据等熵效率残差值和蒸发器对数平均温差残差值确定存在异常的传感器。
图4示出了根据本发明的实施例的第一模型A与等熵效率之间的关系。在图4中,+号表示残差值为正并且-号表示残差值为负。图5示出了根据本发明的实施例的第二模型B与冷冻水进出口温差残差值和蒸发器对数平均温差残差值之间的关系。在图5中,+号表示残差值为正,-号表示残差值为负并且/号表示不相关。
如图4和图5所示,如果蒸发器对数平均温差残差值和等熵效率残差值的绝对值均大于或等于预设阈值并且蒸发器对数平均温差残差值和等熵效率残差值的正负号相同,则蒸发温度传感器存在异常。如图4和图5所示,在蒸发器对数平均温差残差值为负(图5)和等熵效率残差值为负(图4)的情况下,蒸发温度传感器存在正偏差异常。
如果对应于第二模型B的数据矩阵的统计量值大于或等于统计量阈值,则根据冷冻水进出口温差残差值和蒸发器对数平均温差残差值确定存在异常的传感器。
如图5所示,如果冷冻水进出口温差残差值和蒸发器对数平均温差残差值的绝对值大于或等于预设阈值并且冷冻水进出口温差残差值和蒸发器对数平均温差残差值的正负号相同,则冷冻水进水温度传感器存在异常。如图5所示,在蒸发器对数平均温差残差值为负(图5)和冷冻水进出口温差残差值为负(图5)的情况下,冷冻水进水温度传感器存在负偏差异常。
如果冷冻水进出口温差残差值和蒸发器对数平均温差残差值的绝对值大于或等于预设阈值并且冷冻水进出口温差残差值和蒸发器对数平均温差残差值的正负号不同,则冷冻水出水温度传感器存在异常。如图5所示,在蒸发器对数平均温差残差值为负(图5)和冷冻水进出口温差残差值为正(图5)的情况下,冷冻水出水温度传感器存在负偏差异常。
如果对应于第一模型A和第三模型C的数据矩阵的统计量值均大于或等于相应统计量阈值,则根据等熵效率残差值和冷凝器对数平均温差残差值确定存在异常的传感器。
图6示出了根据本发明的实施例的第三模型C与冷却水进出口温差残差值和冷凝器对数平均温差残差值之间的关系。
如图4和图6所示,如果冷凝器对数平均温差残差值以及等熵效率残差值的绝对值均大于或等于预设阈值并且冷凝器对数平均温差残差值和等熵效率残差值的正负号相同,则冷凝温度传感器存在异常。如图4和图6所示,在冷凝器对数平均温差残差值为负(图6)和等熵效率残差值为负(图4)的情况下,冷凝温度传感器存在负偏差异常。
如果第三模型C的统计量值大于或等于统计量阈值,则根据冷却水进出口温差残差值和冷凝器对数平均温差残差值确定存在异常的传感器。
如图6所示,如果冷却水进出口温差残差值和冷凝器对数平均温差残差值的绝对值均大于或等于预设阈值且冷却水进出口温差残差值和冷凝器对数平均温差残差值的正负号相同,则冷却水进水温度传感器存在异常。如图6所示,在冷却水进出口温差残差值为负(图6)和冷凝器对数平均温差残差值为负(图6)的情况下,冷却水进水温度传感器存在正偏差异常。
如果冷却水进出口温差残差值和冷凝器对数平均温差残差值的绝对值均大于或等于预设阈值且冷却水进出口温差残差值和冷凝器对数平均温差残差值的正负号不同,则冷却水出水温度传感器存在异常。如图6所示,在冷却水进出口温差残差值为负(图6)和冷凝器对数平均温差残差值为正(图6)的情况下,冷却水出水温度传感器存在负偏差异常。
通过采用上述手段,本公开能够使得能够利用被测设备自身的实时运行参数来完成对其所包括的传感器的在线诊断,从而及时发现发生故障的传感器。在检测了存在异常的传感器之后,就可输出相应的信息,以供专业人员采取相应的措施来对此进行处理。本发明无需增加额外的温度或流量等传感器,通过读取冷水机组自身的运行参数,基于主元分析结合专业机理模型,可完成故障传感器的在线检测,及时发现异常传感器,保障数据的准确性和可靠性,为机组的安全运行和节能控制策略提供有效的数据支撑。
图7示出了可以用来实施本公开内容的实施例的示例电子设备700的示意性框图。例如,如图1所示的故障诊断设备110可以由电子设备700来实施。如图所示,电子设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机存取存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器703中,还可存储电子设备700操作所需的各种程序和数据。中央处理单元701、只读存储器702以及随机存取存储器703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至输入/输出接口705,包括:输入单元706,例如键盘、鼠标、麦克风等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法300,可由中央处理单元701执行。例如,在一些实施例中,方法300和400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序被加载到随机存取存储器703并由中央处理单元701执行时,可以执行上文描述的方法300和400的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种用于检测被测系统的异常传感器的方法,其中所述被测系统为冷水机组,包括:
从被测系统的多个传感器获取多个第一运行参数,从而基于所述第一运行参数,确定多个第二运行参数,其中第一运行参数是被测系统的冷水机组开机超过预设时间后采集的参数,所述第二运行参数包括冷却水进出口温差、冷却水流量、冷冻水进出口温差、冷冻水流量、蒸发器对数平均温差、冷凝器对数平均温差以及压缩机等熵效率;
基于所述第一运行参数以及第二运行参数数据,建立与第一模型、第二模型以及第三模型分别相应的数据矩阵并且确定分别对应于所述数据矩阵的特征值、特征向量和统计量阈值,其中第一模型为压缩机模型,第二模型为蒸发器模型,第三模型为冷凝器模型;
从被测系统的多个传感器获取多个待检测数据;
根据所述数据矩阵的特征值、特征向量分解所述待检测数据,从而获取所述待检测数据对应于第一模型、第二模型以及第三模型的数据矩阵的统计量值;以及
基于所述特征向量确定所述待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器,其中如果对应于第一模型、第二模型以及第三模型的数据矩阵的统计量值均小于相应统计量阈值,则传感器无异常;如果对应于第一模型的数据矩阵的统计量值大于或等于相应统计量阈值并且基于第二模型和第三模型的数据矩阵获取的统计量值均小于相应统计量阈值并且等熵效率残差值的绝对值大于或等于预设阈值,则排气温度传感器存在异常。
2.根据权利要求1所述的方法,其中所述被测系统为冷水机组,并且所述冷水机组包括冷凝器、蒸发器、膨胀装置和压缩机。
3.根据权利要求2所述的方法,其中所述多个传感器包括冷冻水进水温度传感器、冷冻水出水温度传感器、蒸发温度传感器、冷却水进水温度传感器、冷却水出水温度传感器、冷凝温度传感器、排气温度传感器。
4.根据权利要求3所述的方法,其中所述第一运行参数包括:由所述冷冻水进水温度传感器测量的冷冻水进水温度、由所述冷冻水出水温度传感器测量的冷冻水出水温度、由蒸发温度传感器测量的蒸发温度、由冷却水进水温度传感器测量的冷却水进水温度、由所述冷却水出水温度传感器测量的冷却水出水温度、由所述冷凝温度传感器测量的冷凝温度、由所述排气温度传感器测量的排气温度以及被测系统功率。
5.根据权利要求1所述的方法,其中基于所述特征向量确定所述待检测数据的多项参数残差值,从而根据多项参数残差值的关系确定所述多个传感器中存在异常的传感器还包括:
如果对应于第一模型和第二模型的数据矩阵获取的统计量值均大于或等于相应统计量阈值,则根据等熵效率残差值和蒸发器对数平均温差残差值确定存在异常的传感器;
如果对应于第二模型的数据矩阵的统计量值大于或等于统计量阈值,则根据冷冻水进出口温差残差值和蒸发器对数平均温差残差值确定存在异常的传感器;
如果对应于第一模型和第三模型的数据矩阵的统计量值均大于或等于相应统计量阈值,则根据等熵效率残差值和冷凝器对数平均温差残差值确定存在异常的传感器;以及
如果对应于第三模型的数据矩阵的统计量值大于或等于相应统计量阈值,则根据冷却水进出口温差残差值和冷凝器对数平均温差残差值确定存在异常的传感器。
6.根据权利要求5所述的方法,其中根据等熵效率残差值和蒸发器对数平均温差残差值确定存在异常的传感器包括:
如果蒸发器对数平均温差残差值和等熵效率残差值的绝对值均大于或等于预设阈值并且蒸发器对数平均温差残差值和等熵效率残差值的正负号相同,则蒸发温度传感器存在异常。
7.根据权利要求5所述的方法,其中根据冷冻水进出口温差残差值和蒸发器对数平均温差残差值确定存在异常的传感器包括:
如果冷冻水进出口温差残差值和蒸发器对数平均温差残差值的绝对值大于或等于预设阈值并且冷冻水进出口温差残差值和蒸发器对数平均温差残差值的正负号相同,则冷冻水进水温度传感器存在异常;以及
如果冷冻水进出口温差残差值和蒸发器对数平均温差残差值的绝对值大于或等于预设阈值并且冷冻水进出口温差残差值和蒸发器对数平均温差残差值的正负号不同,则冷冻水出水温度传感器存在异常。
8.根据权利要求5所述的方法,其中根据等熵效率残差值和冷凝器对数平均温差残差值确定存在异常的传感器包括:
如果冷凝器对数平均温差残差值以及等熵效率残差值的绝对值均大于或等于预设阈值并且冷凝器对数平均温差残差值和等熵效率残差值的正负号相同,则冷凝温度传感器存在异常。
9.根据权利要求5所述的方法,其中根据冷却水进出口温差残差值和冷凝器对数平均温差残差值确定存在异常的传感器包括:
如果冷却水进出口温差残差值和冷凝器对数平均温差残差值的绝对值均大于或等于预设阈值且冷却水进出口温差残差值和冷凝器对数平均温差残差值的正负号相同,则冷却水进水温度传感器存在异常;以及
如果冷却水进出口温差残差值和冷凝器对数平均温差残差值的绝对值均大于或等于预设阈值且冷却水进出口温差残差值和冷凝器对数平均温差残差值的正负号不同,则冷却水出水温度传感器存在异常。
10.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241049.7A CN115307669B (zh) | 2022-10-11 | 2022-10-11 | 用于检测被测系统的异常传感器的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241049.7A CN115307669B (zh) | 2022-10-11 | 2022-10-11 | 用于检测被测系统的异常传感器的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115307669A CN115307669A (zh) | 2022-11-08 |
CN115307669B true CN115307669B (zh) | 2023-01-10 |
Family
ID=83868133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211241049.7A Active CN115307669B (zh) | 2022-10-11 | 2022-10-11 | 用于检测被测系统的异常传感器的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115307669B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358352B (zh) * | 2022-10-20 | 2023-01-13 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
CN107628036A (zh) * | 2016-07-19 | 2018-01-26 | 通用汽车环球科技运作有限责任公司 | 传感器故障的检测和重建 |
CN109945394A (zh) * | 2019-01-22 | 2019-06-28 | 中山大学 | 一种中央空调冷冻水系统小温差综合征精确诊断方法 |
CN110940875A (zh) * | 2019-11-20 | 2020-03-31 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
CN111780800A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
CN113239187A (zh) * | 2021-04-13 | 2021-08-10 | 鹏城实验室 | 一种基于多层级工业结构知识块划分的监测方法 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
CN114638317A (zh) * | 2022-04-01 | 2022-06-17 | 中国人民解放军战略支援部队航天工程大学士官学校 | 基于支持向量回归模型的冷水机组故障诊断方法 |
-
2022
- 2022-10-11 CN CN202211241049.7A patent/CN115307669B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
EP2853972A2 (en) * | 2013-09-30 | 2015-04-01 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
CN107628036A (zh) * | 2016-07-19 | 2018-01-26 | 通用汽车环球科技运作有限责任公司 | 传感器故障的检测和重建 |
CN109945394A (zh) * | 2019-01-22 | 2019-06-28 | 中山大学 | 一种中央空调冷冻水系统小温差综合征精确诊断方法 |
CN110940875A (zh) * | 2019-11-20 | 2020-03-31 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
CN111780800A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
CN113239187A (zh) * | 2021-04-13 | 2021-08-10 | 鹏城实验室 | 一种基于多层级工业结构知识块划分的监测方法 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
CN114638317A (zh) * | 2022-04-01 | 2022-06-17 | 中国人民解放军战略支援部队航天工程大学士官学校 | 基于支持向量回归模型的冷水机组故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于PCA的空调水系统的传感器故障检测与诊断研究;王婉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150415(第4期);C038-729 * |
Also Published As
Publication number | Publication date |
---|---|
CN115307669A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114353854B (zh) | 用于在线定位异常传感器的方法、设备和介质 | |
Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
Beghi et al. | Data-driven fault detection and diagnosis for HVAC water chillers | |
Wang et al. | Sensor-fault detection, diagnosis and estimation for centrifugal chiller systems using principal-component analysis method | |
Li et al. | A review of virtual sensing technology and application in building systems | |
Xu et al. | Enhanced chiller sensor fault detection, diagnosis and estimation using wavelet analysis and principal component analysis methods | |
US7496472B2 (en) | Method and system for assessing performance of control systems | |
Guo et al. | Fault diagnosis of VRF air-conditioning system based on improved Gaussian mixture model with PCA approach | |
Hu et al. | Sensitivity analysis for PCA-based chiller sensor fault detection | |
Wang et al. | A robust fault detection and diagnosis strategy for multiple faults of VAV air handling units | |
Du et al. | Data-driven based reliability evaluation for measurements of sensors in a vapor compression system | |
Zhao et al. | Decoupling features for fault detection and diagnosis on centrifugal chillers (1486-RP) | |
Zhang et al. | Fault detection and diagnosis for the screw chillers using multi-region XGBoost model | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN115307669B (zh) | 用于检测被测系统的异常传感器的方法、设备和介质 | |
Zhao et al. | Development, evaluation, and validation of a robust virtual sensing method for determining water flow rate in chillers | |
EP3598258B1 (en) | Risk assessment device, risk assessment system, risk assessment method, and risk assessment program | |
CN114646342B (zh) | 用于定位异常传感器的方法、设备和介质 | |
US10942508B2 (en) | Risk assessment device, risk assessment system, risk assessment method, risk assessment program, and data structure | |
CN114354233A (zh) | 异常确定方法及装置、设备、介质和产品 | |
CN114659547B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN115358352B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN115127194B (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
Liu et al. | An efficient sensor and thermal coupling fault diagnosis methodology for building energy systems | |
CN115307670B (zh) | 用于定位中央空调系统异常传感器的方法、设备和介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: China Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: China |