CN115508119A - 残差-知识-数据联合驱动的故障复合诊断方法及系统 - Google Patents
残差-知识-数据联合驱动的故障复合诊断方法及系统 Download PDFInfo
- Publication number
- CN115508119A CN115508119A CN202211166632.6A CN202211166632A CN115508119A CN 115508119 A CN115508119 A CN 115508119A CN 202211166632 A CN202211166632 A CN 202211166632A CN 115508119 A CN115508119 A CN 115508119A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- reference value
- model
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
残差‑知识‑数据联合驱动的故障复合诊断方法及系统，所述方法中，第一步，构建概率图模型，包括确定概率图模型的结构和参数，第二步，在线应用概率图模型，对在线实时监测数据经过计算，将获得的残差节点中特征的残差数据、数据节点中特征的直接监测数据、以及知识节点中特征的状态，一并输入到概率图模型中，得到诊断层节点各状态的后验概率，将诊断层中有着最大后验概率的那个状态输出为故障诊断结果；所述系统包括存储器和处理器，处理器执行计算机程序，实现上述方法。本发明将残差驱动、知识驱动和数据驱动三类方法的优势整合在同一个诊断体系中，实现了彼此优势互补，获得了更优的诊断性能。
Description
技术领域
本发明属于故障诊断技术领域，具体涉及一种残差-知识-数据联合驱动的故障复合诊断方法及系统。
背景技术
近年来，建筑能耗逐年增长，目前已占社会终端总能耗的40％。空调制冷系统是建筑中的主要能耗源。而冷水机组又是空调制冷系统中的主要耗能设备。当冷水机组发生故障时，若不及时排除，将会导致机组运行能效下降，带来大量的能源浪费，减少设备使用寿命，并降低室内环境舒适度。冷水机组带障运行导致能耗增加高达30％。因此，应用故障诊断技术对消除冷水机组故障、实现节能具有重要意义。
现如今，冷水机组故障诊断被广泛研究，大量应用在冷水机组的故障诊断方法被提出，经典地，这些方法被分成了三类：模型驱动的方法、知识驱动的方法和数据驱动的方法。事实上，每一种单类方法都有其特有的优势。模型驱动方法的主要优点是物理模型往往建立在对系统及故障机理深入理解的基础上，能够很好地反映系统特性，且模型构建不需要大量数据。模型驱动最典型的应用就是使用模型确定特征参数运行的基准值，进而通过比较基准值和实测值，获得特征残差，此时模型驱动也可称为残差驱动。知识驱动方法的主要优点是不需要构建精确的机理模型，推理机制清晰透明，对大量已积累的专家规则和先验知识进行了充分利用。数据驱动方法的主要优点是即不需要构建精确的机理模型，也不需要大量的专家知识，非常适用于既不能构建精确物理模型、同时缺乏详细先验知识的场合。这些优点都独属于所归属类方法，导致不同类方法有着不同的优势。而且这几种方法也有着明显的劣势。比如，当构建有效基准值模型困难时，残差驱动和知识驱动方法将无法完成诊断工作；当不能建立有效的诊断规则时，知识驱动方法将无法独立工作；当获取足够多故障数据困难时，残差驱动和数据驱动将无法独立工作。显然，构建融合不同类方法优势的复合诊断方法十分必要，但是也存在一定的困难。
发明内容
本发明的目的是提供一种残差-知识-数据联合驱动的故障复合诊断方法及系统，将残差驱动、知识驱动和数据驱动三类方法的优势整合在同一个诊断体系中，并让它们以并联方式起作用，构建这三类模型联合驱动的复合诊断方法，实现彼此优势互补。
为了实现上述目的，本发明所采用的技术方案是：残差-知识-数据联合驱动的故障复合诊断方法，包括如下步骤：
(1)获取冷水机组在正常和故障运行工况下的数据，将正常和故障数据中的异常和非稳态数据进行稳态过滤，获得冷水机组在正常和故障运行工况下的稳态数据，选择用于确定冷水机组运行工况的指示特征；
(2)确定概率图模型的结构；所述概率图模型的结构包括三层，自上而下，分别是诊断层、故障层和征兆层，其中诊断层是一个离散型节点D，有着n+1个状态，分别代表n种已知故障状态和1种新故障状态；所述故障层包括n个故障节点，每个故障节点表示某个具体的已知故障Fi，设有“True”和“False”两种状态，分别表示已知故障Fi发生和不发生；所述征兆层中，每个已知故障Fi均连接着三类节点，分别是1个残差节点R、1个数据节点X和若干个知识节点K，残差节点R和数据节点X为由表征冷水机组健康状态的m个特征组成的m维连续型节点，其数据服从m维高斯分布，每个知识节点K都代表着一个特征，设有分别表示该特征实测值相对于冷水机组正常运行时的该特征基准值“显著升高”、“基本不变”和“显著下降”的三种状态；知识节点K的具体种类由故障与特征之间的关联规则确定；
(3)确定概率图模型的参数；所述概率图模型的参数包括诊断层节点D的n+1个状态的先验概率、故障层中已知故障Fi两个状态的条件概率、征兆层中残差节点R和数据节点X的条件概率分布、以及征兆层中知识节点K的条件概率；所述诊断层节点D的n+1个状态的先验概率由专家经验或统计机组历史发生故障的频率获得；所述故障层中已知故障Fi两个状态的条件概率依据如下3条规则进行赋值：
规则1：P(Fi＝True|D＝Fi)＝1，P(Fi＝False|D＝Fi)＝0；
规则2：P(Fi＝True|D＝Fj)＝0，P(Fi＝False|D＝Fj)＝1，i≠j；
规则3：P(Fi＝True|D＝NF)＝0，P(Fi＝False|D＝NF)＝1；其中NF表示新故障。
所述征兆层中残差节点R的条件概率分布由已知故障Fi为“True”状态时各特征的残差数据通过极大似然估计得到；所述征兆层中数据节点X的条件概率分布由已知故障Fi为“True”状态时各特征的直接监测稳态数据通过极大似然估计得到；所述征兆层中知识节点K在三个状态下的条件概率由专家经验或获取的故障运行工况下历史数据统计获得；
(4)选择用于确定知识节点K中特征基准值的基准值模型，将组成知识节点K的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入，使用获取的冷水机组正常工况下的稳态数据，对基准值模型进行训练，获得构建好的基准值模型；
(5)选择特征变化显著性判断方法，对知识节点K中特征相对于基准值变化是否显著进行判断，确定特征变化显著性判断方法的判断阈值；
(6)获取冷水机组运行时的实时数据，经过稳态过滤和特征选择后，得到征兆层中残差节点R中特征的残差数据、数据节点X中特征的直接监测数据、以及知识节点K中特征的状态，一并作为证据，输入构建好的概率图模型中，进而计算诊断层节点D各个状态的后验概率，依此判断冷水机组发生了什么故障。
所述步骤(2)中，对于某个已知故障Fi，知识节点K的具体种类由故障与特征之间的关联规则确定，具体方法为：首先需要基于热力学原理，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障Fi与特征之间的关联规则；然后将所有与已知故障Fi存在强热力学关系的特征确定为已知故障Fi连接的知识节点，所述强热力学关系为故障引起特征的变化幅度超过预先设定的阈值。
所述步骤(3)在确定已知故障Fi为“True”状态下特征的残差数据时，包括如下步骤：
(a)选择用于确定特征基准值的基准值模型，将组成残差节点R的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入；
(b)使用获取的冷水机组在正常运行工况下的稳态数据，对基准值模型进行训练，得到训练好的特征基准值模型；
(c)使用获取的冷水机组在故障运行工况下的稳态数据，输入训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据，即为特征的残差数据。
所述步骤(6)中，获得征兆层中残差节点R中特征的残差数据的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；数据节点X中特征的直接监测数据为获取的冷水机组运行的实时数据；获得知识节点K中特征的状态的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，得到模型输出的基准值，对于各特征，基于特征变化显著性判断方法及确定的判断阈值，根据特征基准值模型输出的基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果，进而形成知识节点K中特征的状态。
本发明所提出的残差-知识-数据联合驱动的故障复合诊断系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行计算机程序时，实现如下步骤：
(1)获取冷水机组在正常和故障运行工况下的数据，将正常和故障数据中的异常和非稳态数据进行稳态过滤，获得冷水机组在正常和故障运行工况下的稳态数据，选择用于确定冷水机组运行工况的指示特征；
(2)确定概率图模型的结构；所述概率图模型的结构包括三层，自上而下，分别是诊断层、故障层和征兆层，其中诊断层是一个离散型节点D，有着n+1个状态，分别代表n种已知故障状态和1种新故障状态；所述故障层包括n个故障节点，每个故障节点表示某个具体的已知故障Fi，设有“True”和“False”两种状态，分别表示已知故障Fi发生和不发生；所述征兆层中，每个已知故障Fi均连接着三类节点，分别是1个残差节点R、1个数据节点X和若干个知识节点K，残差节点R和数据节点X为由表征冷水机组健康状态的m个特征组成的m维连续型节点，其数据服从m维高斯分布，每个知识节点K都代表着一个特征，设有分别表示该特征实测值相对于冷水机组正常运行时的该特征基准值“显著升高”、“基本不变”和“显著下降”的三种状态；知识节点K的具体种类由故障与特征之间的关联规则确定；
(3)确定概率图模型的参数；所述概率图模型的参数包括诊断层节点D的n+1个状态的先验概率、故障层中已知故障Fi两个状态的条件概率、征兆层中残差节点R和数据节点X的条件概率分布、以及征兆层中知识节点K的条件概率；所述诊断层节点D的n+1个状态的先验概率由专家经验或统计机组历史发生故障的频率获得；所述故障层中已知故障Fi两个状态的条件概率依据如下3条规则进行赋值：
规则1：P(Fi＝True|D＝Fi)＝1，P(Fi＝False|D＝Fi)＝0；
规则2：P(Fi＝True|D＝Fj)＝0，P(Fi＝False|D＝Fj)＝1，i≠j；
规则3：P(Fi＝True|D＝NF)＝0，P(Fi＝False|D＝NF)＝1；其中NF表示新故障。
所述征兆层中残差节点R的条件概率分布由已知故障Fi为“True”状态时各特征的残差数据通过极大似然估计得到；所述征兆层中数据节点X的条件概率分布由已知故障Fi为“True”状态时各特征的直接监测稳态数据通过极大似然估计得到；所述征兆层中知识节点K在三个状态下的条件概率由专家经验或获取的故障运行工况下历史数据统计获得；
(4)选择用于确定知识节点K中特征基准值的基准值模型，将组成知识节点K的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入，使用获取的冷水机组正常工况下的稳态数据，对基准值模型进行训练，获得构建好的基准值模型；
(5)选择特征变化显著性判断方法，对知识节点K中特征相对于基准值变化是否显著进行判断，确定特征变化显著性判断方法的判断阈值；
(6)获取冷水机组运行时的实时数据，经过稳态过滤和特征选择后，得到征兆层中残差节点R中特征的残差数据、数据节点X中特征的直接监测数据、以及知识节点K中特征的状态，一并作为证据，输入构建好的概率图模型中，进而计算诊断层节点D各个状态的后验概率，依此判断冷水机组发生了什么故障。
所述步骤(2)中，对于某个已知故障Fi，知识节点K的具体种类由故障与特征之间的关联规则确定，具体方法为：首先需要基于热力学原理，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障Fi与特征之间的关联规则；然后将所有与已知故障Fi存在强热力学关系的特征确定为已知故障Fi连接的知识节点，所述强热力学关系为故障引起特征的变化幅度超过预先设定的阈值。
所述步骤(3)在确定已知故障Fi为“True”状态下特征的残差数据时，包括如下步骤：
(a)选择用于确定特征基准值的基准值模型，将组成残差节点R的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入；
(b)使用获取的冷水机组在正常运行工况下的稳态数据，对基准值模型进行训练，得到训练好的特征基准值模型；
(c)使用获取的冷水机组在故障运行工况下的稳态数据，输入训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据，即为特征的残差数据。
所述步骤(6)中，获得征兆层中残差节点R中特征的残差数据的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；数据节点X中特征的直接监测数据为获取的冷水机组运行的实时数据；获得知识节点K中特征的状态的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，得到模型输出的基准值，对于各特征，基于特征变化显著性判断方法及确定的判断阈值，根据特征基准值模型输出的基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果，进而形成知识节点K中特征的状态。
本发明的有益效果是：本发明基于概率图模型，将残差驱动、知识驱动和数据驱动三类方法的优势整合在同一个诊断体系中，并构建了残差-知识-数据联合驱动的复合诊断方法及系统，实现了这三类方法的优势互补，获得了更优的诊断性能，具体包括如下几点：
1)在所提供复合诊断方法诊断故障的过程时，参与整合的残差、知识和数据节点是以并联的方式发挥作用，这使得复合诊断方法不仅能在残差-知识-数据节点联合发挥作用时获得优于任何一类节点单独发挥作用时的诊断性能，而且能够容忍任何一类节点在诊断过程中的缺失。与以串联方式进行整合的机制相比，上述优越性体现的更加显著。比如，如果残差、知识和数据节点以串联方式进行整合，上一个节点的输出为下一个节点的输入，这样环环相连，也许会使得诊断性能有所提升，但以串联方式的复合模型不能容忍任何一类节点的缺失，否则模型将无法完成诊断任务，而且增大了模型构建的难度。
2)所提供复合诊断方法在充分继承残差、知识和数据三类方法优势的同时，在一定程度上弥补了它们的劣势。第一，当构建有效基准值模型困难时，残差和知识驱动方法将无法独立工作，而所提供复合诊断方法可仅使用数据节点进行故障诊断；第二，当不能建立有效的诊断规则时，知识驱动方法将无法独立工作，而所提供复合诊断方法可联合使用残差节点和数据节点进行故障诊断；第三，当获取足够多故障数据困难时，残差节点和数据节点将无法独立工作，而所提供复合诊断方法可仅使用知识节点进行故障诊断。
附图说明
图1为本发明所述残差-知识-数据联合驱动的故障复合诊断方法的概率图模型构建流程图。
图2为本发明所述残差-知识-数据联合驱动的故障复合诊断方法的概率图模型在线应用流程图。
图3为本发明所述残差-知识-数据联合驱动的故障复合诊断方法中概率图模型的通用结构。
图4为实施例中概率图模型的结构。
图4中：F-1表示冷却水量减少故障，F-2表示冷冻水量减少故障，F-3表示制冷剂充注不足故障，F-4表示制冷剂充注过量故障，F-5表示冷凝器结垢故障，F-6表示存在过量的油故障，F-7表示存在非凝性气体故障。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明，但并不作为对发明做任何限制的依据。
实施例1：参照附图1和附图2所示，以冷水机组的故障诊断为例，本发明提供的基于残差-知识-数据联合驱动的故障复合诊断方法的具体实施步骤如下：
步骤1：概率图模型构建
1a)数据预处理，包括如下步骤：
1a-1)通过实验或现场存储的历史数据库，获取冷水机组在正常和故障运行工况下的数据；
1a-2)稳态过滤：使用已有的稳态过滤方法将步骤1a-1)得到的正常和故障数据中的异常和非稳态数据进行过滤，获得冷水机组在正常和故障运行工况下的稳态数据；
1a-3)对于正常和每种故障，随机选择不少于100组由步骤1a-2)得到的稳态数据构成训练集；
1b)特征选择：选择m个由冷水机组的直接监测参数或它们的简单计算参数组成表征冷水机组健康状态的特征；
1c)基于包括质量守恒、动量守恒、能量守恒和传热传质机理在内的热力学模型，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障Fi与特征之间的关联规则，获得与已知故障Fi存在强热力学关系的特征种类，强热力学关系是指故障引起特征的变化幅度超过预先设定的阈值；
1d)确定概率图模型的结构：本发明构建的概率图模型的通用结构见附图3，包括三层，自上而下，分别是诊断层、故障层和征兆层，其中诊断层是一个离散型节点D，有着n+1个状态，分别代表n种已知故障状态(F1，F2，…，Fn)和1种新故障状态(NF)；故障层包括n个故障节点，每个故障节点表示某个具体的已知故障Fi，设有“True”和“False”两种状态，分别表示已知故障Fi发生和不发生；征兆层中，每个已知故障节点Fi均连接着三类节点，分别是1个残差节点R、1个数据节点X和若干个知识节点K，残差节点R和数据节点X为由步骤1b)选择的m个特征组成的m维连续型节点，其数据服从m维高斯分布，每个知识节点K都代表着一个特征，设有“Higher”、“Normal”和“Lower”三种状态，分别表示该特征实测值相对于冷水机组正常运行时的该特征基准值“显著升高”、“基本不变”和“显著下降”，对于某个已知故障节点Fi，将步骤1c)确定的所有与已知故障Fi存在强热力学关系的特征确定为已知故障Fi的知识节点；
1e)确定概率图模型的参数，包括如下步骤：
1e-1)依据专家经验或统计机组历史发生故障的频率，确定诊断层节点D的n+1个状态的先验概率，具体见表1，其中P1，P2，…，Pn，P(n+1)表示概率值；
表1
1e-2)依据如下3条规则确定故障层中已知故障Fi两个状态的条件概率：
规则1：P(Fi＝True|D＝Fi)＝1，P(Fi＝False|D＝Fi)＝0；
规则2：P(Fi＝True|D＝Fj)＝0，P(Fi＝False|D＝Fj)＝1，i≠j；
规则3：P(Fi＝True|D＝NF)＝0，P(Fi＝False|D＝NF)＝1；其中NF表示新故障。
1e-3)确定征兆层中残差节点R的条件概率分布，包括如下步骤：
1e-3-1)选择用于确定特征基准值的基准值模型，具体为：从现有的公开发布的回归模型中选择一个公布的模型预测度最高的那一个回归模型；
1e-3-2)选择合适的工况指示特征用于指示冷水机组运行工况；合适的工况指示特征具体是指能够指示冷水机组运行工况的特征；
1e-3-3)将步骤1e-3-2)选择的工况指示特征作为基准值模型的输入；
1e-3-4)将步骤1b)选择的m个特征作为基准值模型的输出；
1e-3-5)使用步骤1a-3)确定的训练集中的正常运行工况数据，对基准值模型进行训练，确定基准值模型中的回归系数；
1e-3-6)使用步骤1a-3)确定的训练集中的故障运行工况数据，输入步骤1e-3-5)训练好的基准值模型中，对于步骤1b)选择的m个特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；
1e-3-7)通过对步骤1e-3-6)获得的残差数据进行极大似然估计，获得故障层已知故障节点Fi为“True”状态时描述残差节点R条件概率分布的均值向量(μr，i)和协方差矩阵(∑r，i)；
1e-3-8)确定征兆层中残差节点R的条件概率分布，具体见表2：
表2
| F<sub>i</sub> | R |
| True | R～N(μ<sub>r，i</sub>，∑<sub>r，i</sub>) |
| False | R～N(μ<sub>r，i</sub>，c×∑<sub>r，i</sub>) |
其中表2中系数c根据下面两个公式确定：
式中：m表示残差节点R的维数，N表示样本数量，Fα(m，N-m)表示自由度为m和N-m的Fisher分布的α分位点，α是显著性水平，具体根据获得最优诊断性能的原则进行多次尝试确定；
1e-4)确定征兆层中数据节点X的条件概率分布，具体如下：通过对步骤1a-3)获得的故障运行工况数据进行极大似然估计，获得故障层已知故障节点Fi为“True”状态时描述数据节点X条件概率分布的均值向量(μx，i)和协方差矩阵(∑x，i)，进而确定数据节点X的条件概率分布，具体见表3，其中系数c来自步骤1e-3-8)；
表3
| F<sub>i</sub> | X |
| True | X～N(μ<sub>x，i</sub>，∑<sub>x，i</sub>) |
| False | X～N(μ<sub>x，i</sub>，c×∑<sub>x，i</sub>) |
1e-5)依据专家经验或获取的故障运行工况下的历史数据统计，确定征兆层中知识节点K在三个状态下的条件概率，具体见表4，其中a，b，d，e表示概率值，Kj表示第j个特征；
表4
1f)构建知识节点K中特征基准值的基准值模型，包括如下步骤：
1f-1)选择用于确定知识节点K中特征基准值的基准值模型，具体为：从现有的公开发布的回归模型中选择一个公布的模型预测度最高的那一个回归模型；
1f-2)将步骤1e-3-2)选择的工况指示特征作为基准值模型的输入；
1f-3)将步骤1d)选择的知识节点K中特征作为基准值模型的输出；
1f-4)使用步骤1a-3)确定的训练集中的正常运行工况数据，对基准值模型进行训练，确定基准值模型中的回归系数，获得训练好的基准值模型；
1g)确定对知识节点K中特征相对于基准值变化是否显著进行判断的方法及判断阈值，具体为：基于统计学理论，选择一个成熟的显著性检验方法，并结合经验，确定所选显著性检验方法的阈值。
步骤2：在线模型应用，步骤如下：
2a)在线实时监测冷水机组运行的各项特征；
2b)稳态过滤：使用与步骤1a-2)相同的稳态过滤方法对步骤2a)实时监测到的数据进行稳态过滤，获得冷水机组实时运行工况下的稳态数据；
2c)特征选择：选择与步骤1b)完全相同的特征；
2d)获得征兆层中残差节点R中特征的残差数据，具体如下：将步骤2b)获取的冷水机组运行实时稳态数据输入到步骤1e-3-5)训练好的基准值模型中，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；
2e)获得数据节点X中特征的直接监测数据，即为：步骤2b)获取的冷水机组实时运行工况下的稳态数据；
2f)获得知识节点K中特征的状态，包括如下步骤：2f-1)将步骤2b)获取的冷水机组实时运行工况下的稳态数据输入到步骤1f-4)训练好的基准值模型中，得到模型输出的基准值；
2f-2)对于步骤1d)选择的知识节点K中的特征，基于步骤1g)确定的特征变化显著性判断方法及判断阈值，比较步骤2f-1)得到的特征基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果；
2g)将步骤2d)获得的残差节点R中特征的残差数据、步骤2e)获得的数据节点X中特征的直接监测数据、以及步骤2f)获得的知识节点K中特征的状态，一并作为证据，输入到步骤1构建好的概率图模型中，得到此时诊断层节点D的n+1个状态的后验概率，依据最大后验概率原则，输出故障诊断结果，具体是：将诊断层节点D有着最大后验概率的那个状态确定为冷水机组此时的故障状态。
实施例2：本实施例是基于残差-知识-数据联合驱动的冷水机组故障复合诊断系统，包括存储器和处理器，存储器上存储有用于在处理器上执行的计算机程序；处理器执行计算机程序时，实现如上述实施例1中提供的用于冷水机组的故障复合诊断方法。
实施例3：下面通过具体实施例进一步阐述本发明提供的残差-知识-数据联合驱动的故障复合诊断方法的具体实施和验证本发明的有益效果。
本实施例是对ASHRAE RP-1043报告中使用的是一台制冷量约316kW的离心式冷水机组进行故障诊断，该机组的蒸发器和冷凝器均为壳管式换热器，制冷剂为R134a，使用热力膨胀阀。通过实验，获得了冷水机组在正常运行工况和7种故障在4个劣化等级下64个参数的大量数据。这7种故障分别是冷却水量减少，冷冻水量减少，制冷剂充注不足，制冷剂充注过量，冷凝器结垢，存在非凝性气体和存在过量的油。
步骤1、概率图模型构建
1a)数据预处理，包括如下步骤：
1a-1)通过对冷水机组进行故障实验，获取冷水机组在正常和故障运行工况下的数据；
1a-2)稳态过滤：使用稳态过滤方法将步骤1a-1)得到的正常和故障数据中的异常和非稳态数据进行过滤，获得冷水机组在正常和故障运行工况下的稳态数据；
1a-3)对于正常和每种故障，随机选择1000组由步骤1a-2)得到的稳态数据构成训练集；
1b)特征选择：选择由冷水机组的直接监测参数或它们的简单计算参数组成表征冷水机组健康状态的特征，本实施例选择14个特征，具体见表5，其中包括所选特征的具体含义及计算方法，其中，TCI、TCO分别表示冷却水进出口温度，TEI、TEO分别表示冷冻水进出口温度。
表5
1c)基于质量守恒、动量守恒、能量守恒和传热传质机理，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障Fi与特征之间的关联规则，见表6，表中，“▲”表示故障发生时，特征相对基准值显著升高，
表示故障发生时，特征相对基准值显著下降，“-”表示故障发生时，特征相对基准值基本不变，由此，获得7种已知故障存在强热力学关系的特征种类；表6中，εsc表示过冷段热交换率，计算公式如下：
表6
1d)确定概率图模型的结构：本实施例构建的概率图模型结构见附图4，附图4中，F-1表示冷却水量减少故障，F-2表示冷冻水量减少故障，F-3表示制冷剂充注不足故障，F-4表示制冷剂充注过量故障，F-5表示冷凝器结垢故障，F-6表示存在过量的油故障，F-7表示存在非凝性气体故障；
1e)确定概率图模型的参数，包括如下步骤：
1e-1)依据专家经验，确定诊断层节点D的8个状态的先验概率，具体见表7；
表7
1e-2)确定故障层中故障节点Fi两个状态的条件概率见表8，表中，F-1表示冷却水量减少故障，F-2表示冷冻水量减少故障，F-3表示制冷剂充注不足故障，F-4表示制冷剂充注过量故障，F-5表示冷凝器结垢故障，F-6表示存在过量的油故障，F-7表示存在非凝性气体故障，NF表示新故障；
表8
1e-3)确定征兆层中残差节点R的条件概率分布，包括如下步骤：
1e-3-1)选择用于确定特征基准值的基准值模型，本实施例选择支持向量回归模型作为基准值模型；
1e-3-2)选择合适的特征参数用于指示冷水机组运行工况，本实施例选择冷冻水出口水温、冷却水入口水温和负荷率这3个特征作为冷水机组运行工况的指示特征；
1e-3-3)将步骤1e-3-2)选择的工况指示特征作为基准值模型的输入；
1e-3-4)将步骤1b)选择的14个特征作为基准值模型的输出；
1e-3-5)使用步骤1a-3)确定的训练集中的正常运行工况数据，对基准值模型进行训练，确定基准值模型中的回归系数；
1e-3-6)使用步骤1a-3)确定的训练集中的故障运行工况数据，输入步骤1e-3-5)训练好的基准值模型中，对于步骤1b)选择的14个特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；
1e-3-7)通过对步骤1e-3-6)获得的残差数据进行极大似然估计，获得故障层节点Fi为“True”状态时描述残差节点R条件概率分布的均值向量(μr，i)和协方差矩阵(∑r，i)；
1e-3-8)通过多次试算，本实施例选择显著性水平α＝0.025，根据以下公式：
计算得到c＝4，确定征兆层中残差节点R的条件概率分布，具体见表9：
表9
| F<sub>i</sub> | R |
| True | R～N(μ<sub>r，i</sub>，∑<sub>r，i</sub>) |
| False | R～N(μ<sub>r，i</sub>，4×∑<sub>r，i</sub>) |
1e-4)确定征兆层中数据节点X的条件概率分布，通过对步骤1a-3)获得的故障运行工况数据进行极大似然估计，获得故障层节点Fi为“True”状态时描述数据节点X条件概率分布的均值向量(μx，i)和协方差矩阵(∑x，i)，进而确定数据节点X的条件概率分布，具体见表10：
表10
| F<sub>i</sub> | X |
| True | X～N(μ<sub>x，i</sub>，∑<sub>x，i</sub>) |
| False | X～N(μ<sub>x，i</sub>，4×∑<sub>x，i</sub>) |
1e-5)依据专家经验，确定征兆层中知识节点K在三个状态下的条件概率，具体见表11至表17；
表11
表12
表13
表14
表15
表16
表17
1f)构建知识节点K中特征基准值的基准值模型，包括如下步骤：
1f-1)选择用于确定知识节点K中特征基准值的基准值模型，本实施例选择支持向量回归模型作为基准值模型；
1f-2)将步骤1e-3-2)选择的工况指示特征作为基准值模型的输入；
1f-3)将步骤1d)选择的知识节点K中特征作为基准值模型的输出；
1f-4)使用步骤1a-3)确定的训练集中的正常运行工况数据，对基准值模型进行训练，确定基准值模型中的回归系数，获得训练好的基准值模型；
1g)本实施例选择统计学中的t统计法作为对基准值变化是否显著进行判断的方法，确定阈值为±3σ，其中σ为特征基准值数据的标准差；
步骤2、在线模型的应用
2a)在线实时监测冷水机组运行的各项特征；
2b)稳态过滤：使用与步骤1a-2)相同的稳态过滤方法对步骤2a)实时监测到的数据进行稳态过滤，获得冷水机组实时运行工况下的稳态数据；
本实施例为了评价所提供的残差-知识-数据联合驱动的冷水机组故障复合诊断方法的性能，从经过上述步骤1a-2)稳态过滤后的实验数据中，针对包含全部4种劣化等级的7种故障，分别随机选取400组的稳态数据，构成测试集，用以测试构建的残差-知识-数据联合驱动的冷水机组故障复合诊断模型的故障诊断性能；
2c)特征选择：选择与步骤1b)完全相同的特征；
2d)获得征兆层中残差节点R中特征的残差数据，具体如下：将步骤2b)获取的冷水机组运行实时稳态数据输入到步骤1e-3-5)训练好的基准值模型中，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；
2e)获得数据节点X中特征的直接监测数据，即为：步骤2b)获取的冷水机组实时运行工况下的稳态数据；
2f)获得知识节点K中特征的状态，包括如下步骤：
2f-1)将步骤2b)获取的冷水机组实时运行工况下的稳态数据输入到步骤1f-4)训练好的基准值模型中，得到模型输出的基准值；
2f-2)对于步骤1d)选择的知识节点K中的特征，基于步骤1g)确定的特征变化显著性判断方法及判断阈值，比较步骤2f-1)得到的特征基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果；
2g)将步骤2d)获得的残差节点R中特征的残差数据、步骤2e)获得的数据节点X中特征的直接监测数据、以及步骤2f)获得的知识节点K中特征的状态，一并作为证据，输入到步骤1构建好的概率图模型中，得到此时诊断层节点D的8个状态的后验概率，依据最大后验概率原则，输出故障诊断结果，具体是：将诊断层节点D有着最大后验概率的那个状态确定为冷水机组此时的故障状态。
诊断性能评价：使用本实施例步骤2b)中确定的全部测试集数据对本实施例所提供的故障诊断方法进行性能评价。
性能评价结果显示在表18中，其中，第一列表示7种已知故障类别，第二列表示4种劣化等级，从低到高，依此为SL-1、SL-2、SL-3和SL-4，第三列X表示仅使用来自征兆层中数据节点证据的诊断正确率，第四列R表示仅使用来自征兆层中残差节点证据的诊断正确率，第五列K表示仅使用来自征兆层中知识节点证据的诊断正确率，第六列X+R+K表示同时使用来自征兆层全部节点证据的诊断正确率。由表18，与仅使用来自征兆层中残差节点或数据节点或知识节点证据的诊断结果相比，同时使用三类节点证据时的诊断正确率都显著更高，尤其对低劣化等级(SL-1和SL-2)下的故障，诊断正确率最大提升幅度达到约43％(对SL-1下制冷剂充注不足故障，三类节点证据同时使用相比仅使用知识节点证据)。
表18
本实施例的结果充分显示：本发明提供的残差-知识-数据联合驱动的冷水机组故障复合诊断方法成功将残差驱动、知识驱动和数据驱动三类模型的优势整合在同一个诊断体系中，实现了彼此优势互补，获得了更优的诊断性能。具体包括：提供的残差-知识-数据联合驱动的冷水机组故障复合诊断方法能够容忍任何一类节点在诊断过程中的缺失，而能够单独地使用其中任何一类节点完成故障诊断任务；所提供复合诊断方法在充分继承残差、知识和数据三类方法优势的同时，在一定程度上弥补了它们的劣势，能够适用于三类节点不能适用的现场，并在三类节点同时使用时，获得了最优的诊断性能。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，所属领域的普通技术人员应当理解，参照上述实施例可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换均在申请待批的权利要求保护范围之内。
Claims (10)
1.残差-知识-数据联合驱动的故障复合诊断方法，用于冷水机组的故障诊断，其特征在于，包括如下步骤：
（1）获取冷水机组在正常和故障运行工况下的数据，将正常和故障数据中的异常和非稳态数据进行稳态过滤，获得冷水机组在正常和故障运行工况下的稳态数据，选择用于确定冷水机组运行工况的指示特征；
（2）确定概率图模型的结构；所述概率图模型的结构包括三层，自上而下，分别是诊断层、故障层和征兆层，其中诊断层是一个离散型节点D，有着n+1个状态，分别代表n种已知故障状态和1种新故障状态；所述故障层包括n个故障节点，每个故障节点表示某个具体的已知故障F i ，设有“True”和“False”两种状态，分别表示已知故障F i 发生和不发生；所述征兆层中，每个已知故障F i 均连接着三类节点，分别是1个残差节点R、1个数据节点X和若干个知识节点K，残差节点R和数据节点X为由表征冷水机组健康状态的m个特征组成的m维连续型节点，其数据服从m维高斯分布，每个知识节点K都代表着一个特征，设有分别表示该特征实测值相对于冷水机组正常运行时的该特征基准值“显著升高”、“基本不变”和“显著下降”的三种状态；知识节点K的具体种类由故障与特征之间的关联规则确定；
（3）确定概率图模型的参数；所述概率图模型的参数包括诊断层节点D的n+1个状态的先验概率、故障层中已知故障F i 两个状态的条件概率、征兆层中残差节点R和数据节点X的条件概率分布、以及征兆层中知识节点K的条件概率；所述诊断层节点D的n+1个状态的先验概率由专家经验或统计机组历史发生故障的频率获得；所述故障层中已知故障F i 两个状态的条件概率依据如下3条规则进行赋值：
规则1：
；
规则2：
；
规则3：
；其中NF表示新故障。
2.所述征兆层中残差节点R的条件概率分布由已知故障F i 为“True”状态时各特征的残差数据通过极大似然估计得到；所述征兆层中数据节点X的条件概率分布由已知故障F i 为“True”状态时各特征的直接监测稳态数据通过极大似然估计得到；所述征兆层中知识节点K在三个状态下的条件概率由专家经验或获取的故障运行工况下历史数据统计获得；
（4）选择用于确定知识节点K中特征基准值的基准值模型，将组成知识节点K的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入，使用获取的冷水机组正常工况下的稳态数据，对基准值模型进行训练，获得构建好的基准值模型；
（5）选择特征变化显著性判断方法，对知识节点K中特征相对于基准值变化是否显著进行判断，确定特征变化显著性判断方法的判断阈值；
（6）获取冷水机组运行时的实时数据，经过稳态过滤和特征选择后，得到征兆层中残差节点R中特征的残差数据、数据节点X中特征的直接监测数据、以及知识节点K中特征的状态，一并作为证据，输入构建好的概率图模型中，进而计算诊断层节点D各个状态的后验概率，依此判断冷水机组发生了什么故障。
3.根据权利要求1所述的残差-知识-数据联合驱动的故障复合诊断方法，其特征在于：所述步骤（2）中，对于某个已知故障F i ，知识节点K的具体种类由故障与特征之间的关联规则确定，具体方法为：首先需要基于热力学原理，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障F i 与特征之间的关联规则；然后将所有与已知故障F i 存在强热力学关系的特征确定为已知故障F i 连接的知识节点，所述强热力学关系为故障引起特征的变化幅度超过预先设定的阈值。
4.根据权利要求1所述的残差-知识-数据联合驱动的故障复合诊断方法，其特征在于：所述步骤（3）在确定已知故障F i 为“True”状态下特征的残差数据时，包括如下步骤：
（a）选择用于确定特征基准值的基准值模型，将组成残差节点R的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入；
（b）使用获取的冷水机组在正常运行工况下的稳态数据，对基准值模型进行训练，得到训练好的特征基准值模型；
（c）使用获取的冷水机组在故障运行工况下的稳态数据，输入训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据，即为特征的残差数据。
5.根据权利要求1所述的残差-知识-数据联合驱动的故障复合诊断方法，其特征在于：所述步骤（6）中，获得征兆层中残差节点R中特征的残差数据的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；数据节点X中特征的直接监测数据为获取的冷水机组运行的实时数据；获得知识节点K中特征的状态的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，得到模型输出的基准值，对于各特征，基于特征变化显著性判断方法及确定的判断阈值，根据特征基准值模型输出的基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果，进而形成知识节点K中特征的状态。
6.残差-知识-数据联合驱动的故障复合诊断系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行计算机程序时，实现如下步骤：
（1）获取冷水机组在正常和故障运行工况下的数据，将正常和故障数据中的异常和非稳态数据进行稳态过滤，获得冷水机组在正常和故障运行工况下的稳态数据，选择用于确定冷水机组运行工况的指示特征；
（2）确定概率图模型的结构；所述概率图模型的结构包括三层，自上而下，分别是诊断层、故障层和征兆层，其中诊断层是一个离散型节点D，有着n+1个状态，分别代表n种已知故障状态和1种新故障状态；所述故障层包括n个故障节点，每个故障节点表示某个具体的已知故障F i ，设有“True”和“False”两种状态，分别表示已知故障F i 发生和不发生；所述征兆层中，每个已知故障F i 均连接着三类节点，分别是1个残差节点R、1个数据节点X和若干个知识节点K，残差节点R和数据节点X为由表征冷水机组健康状态的m个特征组成的m维连续型节点，其数据服从m维高斯分布，每个知识节点K都代表着一个特征，设有分别表示该特征实测值相对于冷水机组正常运行时的该特征基准值“显著升高”、“基本不变”和“显著下降”的三种状态；知识节点K的具体种类由故障与特征之间的关联规则确定；
（3）确定概率图模型的参数；所述概率图模型的参数包括诊断层节点D的n+1个状态的先验概率、故障层中已知故障F i 两个状态的条件概率、征兆层中残差节点R和数据节点X的条件概率分布、以及征兆层中知识节点K的条件概率；所述诊断层节点D的n+1个状态的先验概率由专家经验或统计机组历史发生故障的频率获得；所述故障层中已知故障F i 两个状态的条件概率依据如下3条规则进行赋值：
规则1：
；
规则2：
；
规则3：
；其中NF表示新故障。
7.所述征兆层中残差节点R的条件概率分布由已知故障F i 为“True”状态时各特征的残差数据通过极大似然估计得到；所述征兆层中数据节点X的条件概率分布由已知故障F i 为“True”状态时各特征的直接监测稳态数据通过极大似然估计得到；所述征兆层中知识节点K在三个状态下的条件概率由专家经验或获取的故障运行工况下历史数据统计获得；
（4）选择用于确定知识节点K中特征基准值的基准值模型，将组成知识节点K的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入，使用获取的冷水机组正常工况下的稳态数据，对基准值模型进行训练，获得构建好的基准值模型；
（5）选择特征变化显著性判断方法，对知识节点K中特征相对于基准值变化是否显著进行判断，确定特征变化显著性判断方法的判断阈值；
（6）获取冷水机组运行时的实时数据，经过稳态过滤和特征选择后，得到征兆层中残差节点R中特征的残差数据、数据节点X中特征的直接监测数据、以及知识节点K中特征的状态，一并作为证据，输入构建好的概率图模型中，进而计算诊断层节点D各个状态的后验概率，依此判断冷水机组发生了什么故障。
8.根据权利要求5所述的残差-知识-数据联合驱动的故障复合诊断系统，其特征在于：所述步骤（2）中，对于某个已知故障F i ，知识节点K的具体种类由故障与特征之间的关联规则确定，具体方法为：首先需要基于热力学原理，对故障与特征之间的热力学变化规律进行分析，由此确定已知故障F i 与特征之间的关联规则；然后将所有与已知故障F i 存在强热力学关系的特征确定为已知故障F i 连接的知识节点，所述强热力学关系为故障引起特征的变化幅度超过预先设定的阈值。
9.根据权利要求5所述的残差-知识-数据联合驱动的故障复合诊断系统，其特征在于：所述步骤（3）在确定已知故障F i 为“True”状态下特征的残差数据时，包括如下步骤：
（a）选择用于确定特征基准值的基准值模型，将组成残差节点R的特征作为模型的输出，冷水机组运行工况的指示特征作为模型的输入；
（b）使用获取的冷水机组在正常运行工况下的稳态数据，对基准值模型进行训练，得到训练好的特征基准值模型；
（c）使用获取的冷水机组在故障运行工况下的稳态数据，输入训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据，即为特征的残差数据。
10.根据权利要求5所述的残差-知识-数据联合驱动的故障复合诊断系统，其特征在于：所述步骤（6）中，获得征兆层中残差节点R中特征的残差数据的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，对于各特征，将模型输出的基准值和实际实测值进行比较，获得二者的残差数据；数据节点X中特征的直接监测数据为获取的冷水机组运行的实时数据；获得知识节点K中特征的状态的方法为：将获取的冷水机组运行实时数据输入到训练好的特征基准值模型中，得到模型输出的基准值，对于各特征，基于特征变化显著性判断方法及确定的判断阈值，根据特征基准值模型输出的基准值和实际实测值，得到特征相对于基准值“显著升高”、“基本不变”和“显著下降”的判断结果，进而形成知识节点K中特征的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166632.6A CN115508119A (zh) | 2022-09-23 | 2022-09-23 | 残差-知识-数据联合驱动的故障复合诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166632.6A CN115508119A (zh) | 2022-09-23 | 2022-09-23 | 残差-知识-数据联合驱动的故障复合诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115508119A true CN115508119A (zh) | 2022-12-23 |
Family
ID=84505502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211166632.6A Pending CN115508119A (zh) | 2022-09-23 | 2022-09-23 | 残差-知识-数据联合驱动的故障复合诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115508119A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390948A (zh) * | 2023-08-10 | 2024-01-12 | 苏州黑盾环境股份有限公司 | 基于多头注意力长短时记忆神经网络冷水机组监测方法 |
-
2022
- 2022-09-23 CN CN202211166632.6A patent/CN115508119A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390948A (zh) * | 2023-08-10 | 2024-01-12 | 苏州黑盾环境股份有限公司 | 基于多头注意力长短时记忆神经网络冷水机组监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108758969B (zh) | 一种冷水机组故障检测方法和系统 | |
| Li et al. | Data partitioning and association mining for identifying VRF energy consumption patterns under various part loads and refrigerant charge conditions | |
| Li et al. | An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm | |
| CN103403463B (zh) | 故障检测和诊断算法 | |
| Kocyigit | Fault and sensor error diagnostic strategies for a vapor compression refrigeration system by using fuzzy inference systems and artificial neural network | |
| CN108334059A (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
| Zhou et al. | A model‐based fault detection and diagnosis strategy for HVAC systems | |
| US20060042277A1 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
| US20030079483A1 (en) | Apparatus and method for managing heat source unit for air conditioner | |
| CN107806690B (zh) | 一种基于贝叶斯网络的家用空调故障诊断方法 | |
| CN112413809B (zh) | 中央空调冷站运行评价方法、装置和系统 | |
| JP6933564B2 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
| Yu et al. | A VRF charge fault diagnosis method based on expert modification C5. 0 decision tree | |
| CN115508119A (zh) | 残差-知识-数据联合驱动的故障复合诊断方法及系统 | |
| CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
| CN109902741A (zh) | 一种制冷系统故障诊断方法 | |
| Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
| Beghi et al. | A data-driven approach for fault diagnosis in HVAC chiller systems | |
| Li et al. | Machine learning based diagnosis strategy for refrigerant charge amount malfunction of variable refrigerant flow system | |
| Wang et al. | Fault diagnosis using fused reference model and Bayesian network for building energy systems | |
| CN110046662A (zh) | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 | |
| CN116311594A (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
| Wang et al. | Fault diagnosis based on residual–knowledge–data jointly driven method for chillers | |
| WO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
| CN110289112B (zh) | 基于层次分析和模糊评价的核动力装置健康状态诊断方法 |
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 |