CN116720150B - 一种机械制冷系统故障诊断方法及系统 - Google Patents
一种机械制冷系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116720150B CN116720150B CN202310993047.1A CN202310993047A CN116720150B CN 116720150 B CN116720150 B CN 116720150B CN 202310993047 A CN202310993047 A CN 202310993047A CN 116720150 B CN116720150 B CN 116720150B
- Authority
- CN
- China
- Prior art keywords
- detection
- parameter
- fault
- acquiring
- vector
- 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 48
- 238000005057 refrigeration Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 144
- 239000013598 vector Substances 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Abstract
本发明涉及数据处理技术领域,具体涉及一种机械制冷系统故障诊断方法及系统,该方法采集制冷系统每次历史故障时的多种检测参数的历史数据;对于每次历史故障,以每个检测参数在预设时间段的历史数据作为一行,构建故障分析矩阵;获取每个检测参数的参数向量和分布向量,进而获取每个检测参数对于制冷系统故障诊断的影响度;获取当前时段的检测参数数据,构建当前故障分析矩阵,通过对每行元素进行聚类获取对应检测参数的故障分析指标;基于所有检测参数的影响度和故障分析指标获取制冷系统当前的特征参数,进行故障诊断。本发明能够自动诊断制冷系统是否故障,结合历史故障数据获取的影响度,提高了系统的检测精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种机械制冷系统故障诊断方法及系统。
背景技术
现代化的工业及民用建筑都离不开制冷系统,制冷系统部件复杂,导致其在运行过程中故障频发,且种类繁多。故障的发生影响制冷效果的同时增加能耗、缩短设备使用寿命并带来安全隐患,因此,确保制冷系统的运行质量显得尤为重要。
对制冷系统进行实时状态检测与故障诊断,不仅可以保证制冷系统的正常运行,而且能够及时发现问题并进行维修,保证制冷系统的制冷效果。
传统的诊断系统通常仅采用样本的某种单一特征描述和一个特定的诊断器进行故障检测识别,对于故障类别较多、输入样本带噪声的问题很难获得较好的结果,不易对制冷系统的整体工作状况进行诊断分析。
发明内容
为了解决上述技术问题,本发明提供一种机械制冷系统故障诊断方法,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种机械制冷系统故障诊断方法,该方法包括以下步骤:
采集制冷系统每次历史故障时的多种检测参数的历史数据,所述检测参数至少包括温度、压力、流量以及压缩机功率中的一种或多种;
对于每次历史故障,以每个检测参数在预设时间段的历史数据作为一行,构建故障分析矩阵;通过对每个检测参数进行高斯拟合获取对应的参数向量,并基于高斯拟合结果获取分布向量;基于多次历史故障下的所述参数向量和所述分布向量获取每个检测参数对于制冷系统故障诊断的影响度;
获取当前时段的检测参数数据,构建当前故障分析矩阵,通过对每行元素进行聚类获取对应检测参数的故障分析指标;
基于所有检测参数的所述影响度和所述故障分析指标获取制冷系统当前的特征参数,当所述特征参数大于故障阈值时,制冷系统的工作状态不佳。
优选的,所述参数向量的获取方法为:
对每个检测参数对应行的所有元素进行高斯拟合,由拟合的高斯函数对应的均值和方差作为对应检测参数的所述参数向量。
优选的,所述分布向量的获取方法为:
将所述检测参数对应的每个元素代入所述高斯函数,得到函数值,所有元素的函数值组成函数值序列,获取所述函数值序列的灰度共生矩阵,由灰度共生矩阵的对比度、能量和熵组成所述分布向量。
优选的,所述影响度的获取方法为:
获取每个检测参数在多次历史故障下的平均参数向量,根据每个检测参数在多次历史故障下的所述参数向量与所述平均参数向量之间的差异获取数据分布相似性;
获取每个检测参数在多次历史故障下的平均分布向量,根据每个检测参数在多次历史故障下的所述分布向量与所述平均分布向量之间的差异获取状态变化相似性;
基于所述数据分布相似性和所述状态变化相似性获取状态检测指标,以所述状态监测指标的归一化结果作为所述影响度。
优选的,所述当前故障分析矩阵的构建方法为:
以每个检测参数在当前时刻的预设时间段内的数据作为一行,构建所述当前故障分析矩阵。
优选的,所述故障分析指标的获取方法为:
将每个检测参数在当前故障分析矩阵对应的行进行聚类,获取类别数量和离散点数量;获取检测参数在对应行的极差,根据所述类别数量、所述离散点数量以及所述极差获取所述故障分析指标。
优选的,所述特征参数的获取方法为:
计算每个检测参数的影响度和故障分析指标的乘积,所有检测参数对应的乘积之和即为所述特征参数。
优选的,所述检测参数至少包括温度、压力、流量以及压缩机功率中的一种或多种。
优选的,所述基于所述数据分布相似性和所述状态变化相似性获取状态检测指标包括:
其中,表示检测参数j的状态检测指标,/>表示数据分布相似性的注意力,/>为数据分布相似性,/>为状态变化相似性,/>为自然常数。
第二方面,本发明另一个实施例提供了一种机械制冷系统故障诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种机械制冷系统故障诊断方法的步骤。
本发明实施例至少具有如下有益效果:
基于对制冷设备历史故障状况的分析获取各个检测参数对于制冷系统故障检测的影响度,同时,对于当前待检测时段各个检测的数据,获取对应的故障分析指标,然后结合检测参数的影响度,得到制冷系统的特征参数,进而实现对制冷系统故障的自动准确分析,本发明能够自动诊断制冷系统是否故障,结合历史故障数据获取的影响度,提高了系统的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种机械制冷系统故障诊断方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种机械制冷系统故障诊断方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种机械制冷系统故障诊断方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种机械制冷系统故障诊断方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集制冷系统每次历史故障时的多种检测参数的历史数据,检测参数至少包括温度、压力、流量以及压缩机功率中的一种或多种。
具体的步骤包括:
基于多源数据对制冷系统进行检测及故障诊断,多源数据的采集通过相应的数据采集设备进行获取,对于制冷系统故障诊断的多源信息包括很多:采集的参数可包括制冷循环及风/水的各种温度,例如蒸发/冷凝温度、进出口温度等;各处压力、流量、压缩机功率等,还可以在此基础上进行实时计算后得到的虚拟传感器参数,如制冷量、COP、过冷度、过热度、蒸发器温差等检测参数。
本发明实施例将制冷系统中的有限个故障诊断相关检测参数的数量记为m,通过相应的数据采集设备对多源数据进行实时采集,以获取检测制冷系统工作状况的基准数据。数据采集设备为各种参数采集传感器、检测仪等,可以根据实际情况对其进行安装部署,以实现对制冷系统故障诊断的检测参数数据进行提取。
步骤S002,对于每次历史故障,以每个检测参数在预设时间段的历史数据作为一行,构建故障分析矩阵;通过对每个检测参数进行高斯拟合获取对应的参数向量,并基于高斯拟合结果获取分布向量;基于多次历史故障下的参数向量和分布向量获取每个检测参数对于制冷系统故障诊断的影响度。
具体的步骤包括:
1、构建故障分析矩阵。
由于数据是实时采集的连续数据,不便于分析,本发明实施例对采集的数据进行离散化,通过在每次历史故障时,对各个检测参数进行预设时间段的采样。
具体的,在故障发生前的预设时间段内对数据进行采集,设置数据采样时间间隔t=3s,采集k个数据,数据时间间隔t=3s,本发明实施例中k=100,即预设时间段为300秒。基于每次历史故障所提取的各个检测参数的采样数据,建立相应的故障分析矩阵:
其中,m表示检测参数的数量;k为采集的数据的数量,在本发明实施例中k=100;表示第1个检测参数的第1个数据的数值;/>表示第1个检测参数的第k个数据的数值;/>表示第2个检测参数的第1个数据的数值;/>表示第2个检测参数的第k个数据的数值;/>表示第m个检测参数的第1个数据的数值;/>表示第m个检测参数的第k个数据的数值。
需要说明的是,为避免各个检测参数不同量纲之间的影响,对故障分析矩阵进行归一化处理,保证上述故障分析矩阵中的每个数值的值域为[0,1]。
同样的方法获取每次历史故障时的故障分析矩阵,故障分析矩阵为对应故障时段内多源信息的数据组合,用于分析故障时每个检测参数的状况。
其中历史故障次数N的选取根据实际情况自行设定。
2、获取每个检测参数的参数向量。
对每个检测参数对应行的所有元素进行高斯拟合,由拟合的高斯函数对应的均值和方差作为对应检测参数的参数向量。
故障分析矩阵中的每行代表一个检测参数,对每个检测参数对应的行向量进行去噪处理,然后进行元素分布状况的分析。
对于每个行向量,/>代表矩阵W中的第j行的行向量,将行向量中所有元素进行高斯拟合。
以为例,根据/>内的所有元素拟合一个高斯模型/>,高斯模型的拟合过程为现有公知技术,不再赘述。基于拟合得到的高斯模型,获取对应的模型参数均值/>和方差/>,将其构成一个参数向量/>,用于对数据整体分布状况进行表征。
3、获取每个检测参数的分布向量。
将检测参数对应的每个元素代入高斯函数,得到函数值,所有元素的函数值组成函数值序列,获取函数值序列的灰度共生矩阵,由灰度共生矩阵的对比度、能量和熵组成分布向量。
同样以为例,将行向量的每个元素都代入到对应的高斯模型中,得到对应的函数值/>,代表第j行行向量中元素c对应的高斯混合模型值,所有元素的函数值组成函数值序列,然后获取函数值序列的灰度共生矩阵/>,用于对行向量中每个元素模型值的空间相关状况进行分析,反映模型值的结构空间分布特征,灰度共生矩阵的构建为现有公知技术,不再赘述。
基于所述灰度共生矩阵得到对应的关键特征参数:对比度、能量/>、熵,将其构成函数值序列的分布向量/>,用于对检测参数j的数据波动状况进行表征,体现数据分布杂乱程度。
4、获取每个检测参数对于制冷系统故障诊断的影响度。
获取每个检测参数在多次历史故障下的平均参数向量,根据每个检测参数在多次历史故障下的参数向量与平均参数向量之间的差异获取数据分布相似性;获取每个检测参数在多次历史故障下的平均分布向量,根据每个检测参数在多次历史故障下的分布向量与平均分布向量之间的差异获取状态变化相似性;基于数据分布相似性和状态变化相似性获取状态检测指标,以状态监测指标的归一化结果作为影响度。
每次历史故障,每个检测参数都有一个对应的参数向量和分布向量/>,获取每个检测参数在N次历史故障下的平均参数向量/>,表示第j个状态在发生故障时的平均分布特征;获取每个检测参数在N次历史故障下的平均分布向量/>,用于表征检测参数j在发生故障时的平均波动状况,也即数据分布的平均杂乱程度。
获取每个检测参数在每次历史故障时的数据分布相似性,以第j个检测参数为例,获取数据分布相似性:
其中,表示以e为底数的指数函数,/>表示/>的L2范数。
数据分布相似性越大,表示检测参数j每次故障时数据的分布状况相对平均分布状况的差异越小,也即检测参数j在每次故障发生时的数据状态的变化以及分布状况相似程度越高。
获取每个检测参数在每次历史故障时的状态变化相似性,同样以第j个检测参数为例,获取状态变化相似性:
其中,表示以自然常数e为底数的指数函数,/>表示/>的L2范数。
状态变化相似性的函数值越大,则检测参数j在每次故障发生时数据分布杂乱状况以及波动状况的相似度越高。
基于数据分布相似性和状态变化相似性获取状态检测指标:
其中,表示检测参数j的状态检测指标,/>表示数据分布相似性的注意力。
其中为自然常数,数据分布相似性/>越大时,对每次历史故障时检测参数j数据波动状况以及分布杂乱程度的关注程度越高,也即注意力越大;/>越小,也即检测参数j在多次故障发生时的数据状态变化越不一致,则对于检测参数j的数据分布杂乱状况的关注程度越低。
通过分析数据的整体分布状况以及数据模型值序列的分布杂乱状况,以实现对故障发生时每个检测参数的状况进行准确表征。所述状态检测指标用于表征故障发生时检测参数j的状况相对于该检测参数的平均数据分布特征以及平均波动状况/>的相关性大小,函数值越大,则认为相似度越高,也即说明该检测参数的数据状态越有可能导致制冷系统出现故障。对所述状态检测指标进行归一化处理,使函数值的值域为(0,1),将其作为检测参数对的参数影响度,用于表征检测参数对于制冷系统故障检测的影响度/>。
步骤S003,获取当前时段的检测参数数据,构建当前故障分析矩阵,通过对每行元素进行聚类获取对应检测参数的故障分析指标。
具体的步骤包括:
1、构建当前故障分析矩阵。
以每个检测参数在当前时刻的预设时间段内的数据作为一行,构建当前故障分析矩阵。
与构建故障分析矩阵相同,在当前时刻前采集k个数据,数据时间间隔t=3s,同样的,k=100,以每个检测参数对应的100个数据作为一行,构建当前故障分析矩阵。
2、获取故障分析指标。
将每个检测参数在当前故障分析矩阵对应的行进行聚类,获取类别数量和离散点数量;获取检测参数在对应行的极差,根据类别数量、离散点数量以及极差获取故障分析指标。
对当前故障分析矩阵中的每个行向量进行分析,分析检测参数在不同时刻下的偏移状况,以行向量j为例,对于当前故障分析矩阵中的第j行向量,利用密度聚类方法对其所有元素进行聚类分析,最终获取聚类中心的数量以及离散点数量/>,用于对检测参数的数据振荡程度进行分析,进一步获取故障分析指标,用于获取检测时段内每个检测参数的异常状况,故障分析指标具体为:
其中,表示第j个行向量的故障分析指标,/>为故障分析矩阵中的第j个行向量的元素值的极差。
故障分析指标函数值越大,则该检测参数存在异常的可能性越高。
作为一个示例,本发明实施例中密度聚类采用DBSCAN聚类方法。需要说明的是,聚类中心的数量以及离散点数量在聚类过程结束后即可获得,即聚类结果中包含聚类中心的数量和离散点数量,具体统计方法为本领域技术人员熟知的技术手段,在此不做限定及赘述。
步骤S004,基于所有检测参数的影响度和故障分析指标获取制冷系统当前的特征参数,当特征参数大于故障阈值时,制冷系统的工作状态不佳。
具体的步骤包括:
1、获取制冷系统当前的特征参数。
计算每个检测参数的影响度和故障分析指标的乘积,所有检测参数对应的乘积之和即为特征参数。
具体的计算公式为:
其中,表示特征参数。
2、故障诊断。
将特征参数进行归一化处理,以便直观对制冷系统的故障状况进行自动准确诊断。
设置故障阈值,当特征参数的归一化结果大于故障阈值时,制冷系统的工作状态不佳。
当制冷系统故障诊断的特征参数归一化结果高于预设故障阈值时,当前检测时段制冷系统的工作状况不佳,有发生故障的可能性,及时提示相关检测人员对制冷系统进行尽快检修,以避免制冷系统出现严重的故障状况。
作为一个示例,本发明实施例中故障阈值为0.45。
综上所述,本发明实施例采集制冷系统每次历史故障时的多种检测参数的历史数据,检测参数至少包括温度、压力、流量以及压缩机功率中的一种或多种;对于每次历史故障,以每个检测参数在预设时间段的历史数据作为一行,构建故障分析矩阵;通过对每个检测参数进行高斯拟合获取对应的参数向量,并基于高斯拟合结果获取分布向量;基于多次历史故障下的参数向量和分布向量获取每个检测参数对于制冷系统故障诊断的影响度;获取当前时段的检测参数数据,构建当前故障分析矩阵,通过对每行元素进行聚类获取对应检测参数的故障分析指标;基于所有检测参数的影响度和故障分析指标获取制冷系统当前的特征参数,当特征参数大于故障阈值时,制冷系统的工作状态不佳。本发明能够自动诊断制冷系统是否故障,结合历史故障数据获取的影响度,提高了系统的检测精度。
本发明实施例还提出了一种机械制冷系统故障诊断系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的步骤。由于一种机械制冷系统故障诊断方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种机械制冷系统故障诊断方法,其特征在于,该方法包括以下步骤:
采集制冷系统每次历史故障时的多种检测参数的历史数据;
对于每次历史故障,以每个检测参数在预设时间段的历史数据作为一行,构建故障分析矩阵;通过对故障分析矩阵中每个检测参数进行高斯拟合获取对应的参数向量,并基于高斯拟合结果获取分布向量;基于多次历史故障下的所述参数向量和所述分布向量获取每个检测参数对于制冷系统故障诊断的影响度;
获取当前时段的检测参数数据,构建当前故障分析矩阵,通过对每行元素进行聚类获取对应检测参数的故障分析指标;
基于所有检测参数的所述影响度和所述故障分析指标获取制冷系统当前的特征参数,当所述特征参数大于故障阈值时,制冷系统的工作状态不佳;
所述影响度的获取方法为:
获取每个检测参数在多次历史故障下的平均参数向量,根据每个检测参数在多次历史故障下的所述参数向量与所述平均参数向量之间的差异获取数据分布相似性;
获取每个检测参数在多次历史故障下的平均分布向量,根据每个检测参数在多次历史故障下的所述分布向量与所述平均分布向量之间的差异获取状态变化相似性;
基于所述数据分布相似性和所述状态变化相似性获取状态检测指标,以所述状态监测指标的归一化结果作为所述影响度;
所述基于所述数据分布相似性和所述状态变化相似性获取状态检测指标包括:
其中,表示检测参数j的状态检测指标,/>表示数据分布相似性/>的注意力,/>为数据分布相似性,/>为状态变化相似性,/>为自然常数;
所述故障分析指标的获取方法为:
将每个检测参数在当前故障分析矩阵对应的行进行聚类,获取类别数量和离散点数量;获取检测参数在对应行的极差,根据所述类别数量、所述离散点数量以及所述极差获取所述故障分析指标;
所述特征参数的获取方法为:
计算每个检测参数的影响度和故障分析指标的乘积,所有检测参数对应的乘积之和即为所述特征参数。
2.根据权利要求1所述的一种机械制冷系统故障诊断方法,其特征在于,所述参数向量的获取方法为:
在故障分析矩阵中对每个检测参数对应行的所有元素进行高斯拟合,由拟合的高斯函数对应的均值和方差作为对应检测参数的所述参数向量。
3.根据权利要求2所述的一种机械制冷系统故障诊断方法,其特征在于,所述分布向量的获取方法为:
将所述检测参数对应的每个元素代入所述高斯函数,得到函数值,所有元素的函数值组成函数值序列,获取所述函数值序列的灰度共生矩阵,由灰度共生矩阵的对比度、能量和熵组成所述分布向量。
4.根据权利要求1所述的一种机械制冷系统故障诊断方法,其特征在于,所述当前故障分析矩阵的构建方法为:
以每个检测参数在当前时刻的预设时间段内的数据作为一行,构建所述当前故障分析矩阵。
5.根据权利要求1所述的一种机械制冷系统故障诊断方法,其特征在于,所述检测参数至少包括温度、压力、流量以及压缩机功率中的一种或多种。
6.一种机械制冷系统故障诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~5任意一项所述一种机械制冷系统故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993047.1A CN116720150B (zh) | 2023-08-09 | 2023-08-09 | 一种机械制冷系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993047.1A CN116720150B (zh) | 2023-08-09 | 2023-08-09 | 一种机械制冷系统故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720150A CN116720150A (zh) | 2023-09-08 |
CN116720150B true CN116720150B (zh) | 2023-10-20 |
Family
ID=87875554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310993047.1A Active CN116720150B (zh) | 2023-08-09 | 2023-08-09 | 一种机械制冷系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720150B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172431B (zh) * | 2023-11-03 | 2024-01-19 | 山东锦都食品有限公司 | 一种食品加工器械设备管理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN113221019A (zh) * | 2021-04-02 | 2021-08-06 | 合肥工业大学 | 基于即时学习的个性化推荐方法和系统 |
CN114088388A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的故障诊断方法和故障诊断装置 |
CN114083543A (zh) * | 2021-12-22 | 2022-02-25 | 清华大学深圳国际研究生院 | 一种空间机械臂主动故障诊断方法 |
CN114114002A (zh) * | 2021-11-26 | 2022-03-01 | 国网安徽省电力有限公司马鞍山供电公司 | 一种氧化物避雷器在线故障诊断与状态评估方法 |
CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
CN115409131A (zh) * | 2022-10-28 | 2022-11-29 | 武汉惠强新能源材料科技有限公司 | 基于spc过程管控系统的生产线异常检测方法 |
CN115809505A (zh) * | 2022-11-15 | 2023-03-17 | 中国运载火箭技术研究院 | 一种航天动力故障诊断与健康评估方法及系统 |
CN115859127A (zh) * | 2022-11-23 | 2023-03-28 | 杭州安脉盛智能技术有限公司 | 一种设备监督方法、系统、设备及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9465387B2 (en) * | 2015-01-09 | 2016-10-11 | Hitachi Power Solutions Co., Ltd. | Anomaly diagnosis system and anomaly diagnosis method |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
US20220414526A1 (en) * | 2021-06-23 | 2022-12-29 | Intelligent Systems, LLC | Intelligent fault detection system |
CN114167214B (zh) * | 2021-12-02 | 2022-09-06 | 浙江大学 | 基于随机矩阵理论的低压配电网边-云协同故障检测方法 |
-
2023
- 2023-08-09 CN CN202310993047.1A patent/CN116720150B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN111260893A (zh) * | 2020-01-10 | 2020-06-09 | 中国海洋石油集团有限公司 | 一种海洋平台推进器故障预警方法和装置 |
CN113221019A (zh) * | 2021-04-02 | 2021-08-06 | 合肥工业大学 | 基于即时学习的个性化推荐方法和系统 |
CN114114002A (zh) * | 2021-11-26 | 2022-03-01 | 国网安徽省电力有限公司马鞍山供电公司 | 一种氧化物避雷器在线故障诊断与状态评估方法 |
CN114088388A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的故障诊断方法和故障诊断装置 |
CN114083543A (zh) * | 2021-12-22 | 2022-02-25 | 清华大学深圳国际研究生院 | 一种空间机械臂主动故障诊断方法 |
CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
CN115409131A (zh) * | 2022-10-28 | 2022-11-29 | 武汉惠强新能源材料科技有限公司 | 基于spc过程管控系统的生产线异常检测方法 |
CN115809505A (zh) * | 2022-11-15 | 2023-03-17 | 中国运载火箭技术研究院 | 一种航天动力故障诊断与健康评估方法及系统 |
CN115859127A (zh) * | 2022-11-23 | 2023-03-28 | 杭州安脉盛智能技术有限公司 | 一种设备监督方法、系统、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于小波特征提取和概率神经网络的机械故障诊断;王云松;;江苏技术师范学院学报(第06期);26-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN116720150A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
CN105067252B (zh) | 一种基于改进的FastICA的冷水机组故障检测方法 | |
CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN108758969B (zh) | 一种冷水机组故障检测方法和系统 | |
CN108664002B (zh) | 一种面向质量的非线性动态过程监控方法 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN109407652A (zh) | 基于主辅pca模型的多变量工业过程故障检测方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN107942994A (zh) | 一种基于温度曲线特征的卫星温控系统故障诊断方法 | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
CN115899964A (zh) | 基于多维的空调智能监测方法与系统 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN111580498A (zh) | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
Zhang et al. | Spectral radius-based interval principal component analysis (SR-IPCA) for fault detection in industrial processes with imprecise data | |
CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |