CN117308274A - 一种基于贝叶斯的空调外机故障在线检测方法及系统 - Google Patents
一种基于贝叶斯的空调外机故障在线检测方法及系统 Download PDFInfo
- Publication number
- CN117308274A CN117308274A CN202311172967.3A CN202311172967A CN117308274A CN 117308274 A CN117308274 A CN 117308274A CN 202311172967 A CN202311172967 A CN 202311172967A CN 117308274 A CN117308274 A CN 117308274A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- external unit
- conditioner external
- probability
- tested
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000003507 refrigerant Substances 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于空调外机检测技术领域,公开了一种基于贝叶斯的空调外机故障在线检测方法及系统,方法包括以下步骤:基于待测空调外机的每种历史运行参数,获取历史运行参数对应的各类评价特征的概率分布,以作为先验概率;基于待测空调外机稳定运行的第一预设时间段内多次获取的每种实时运行参数,计算每种实时运行参数对应的各类评价特征的概率,然后将该概率与先验概率进行贝叶斯数据融合,以获得后验概率;比较后验概率与预设阈值,基于比较结果判断待测空调外机是否故障。比较后验概率与预设阈值,从而得到待测空调外机是否故障的准确判断结果。本发明能够使得空调外机检测更加高效、检测结果更加准确。
Description
技术领域
本发明属于空调外机故障检测技术领域,更具体地,涉及一种基于贝叶斯的空调外机故障在线检测方法及系统。
背景技术
空调产品检测通常分为出厂检验、抽样检验和型式检验。制冷设备产品的出厂检验是指每台产品出厂前必须逐台进行检验。然而,一些制冷设备产品由于设计年代久远,不适合当前的生产模式,导致出厂检验难以实施或影响产线生产节拍。现有的空调出厂在线检验方法是通过独立的功率和冷媒压力分别进行偏差比较来判断空调外机是否故障,判断依据简单不合理,每台空调外机的检测标准来自前期已测数十台空调功率数据的平均值,然而该平均值随着检测数量的不同会呈现较大的波动范围;并且在线检测时需要对空调外机多次制热、制冷,整个检测周期长,检测步骤繁琐;又由于检测周期长,为了匹配装配线节拍,需要配置大量工位并行,导致检测时需占用较大空间,检测硬件成本较高,且软件维护复杂。
此外,随着先进检测方法的不断发展,检测标准也在不断变化,急需一种能适应当前空调外机生产方法和生产标准,以应对不断变化的空调生产标准和检测标准等。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于贝叶斯的空调外机故障在线检测方法及系统,用以解决现有空调外机在线检测方法判据内容简单、判据标准值波动范围大导致的检测方法复杂且检测结果不准确的问题。
为实现上述目的,根据本发明的一个方面,提供了一种基于贝叶斯的空调外机多传感器在线检测方法,包括以下步骤:
S1基于待测空调外机的每种历史运行参数,获取所述历史运行参数对应的各类评价特征的概率分布,以作为先验概率;
S2基于待测空调外机稳定运行的第一预设时间段内多次获取的每种实时运行参数,计算每种所述实时运行参数对应的各类评价特征的概率,然后将该概率与所述先验概率进行贝叶斯数据融合,以获得后验概率;
S3比较所述后验概率与预设阈值,基于比较结果判断所述待测空调外机是否故障。
进一步的,所述评价特征至少包括合格特征和不合格特征。
进一步的,步骤S1中,若所述历史运行参数的合格特征和不合格特征的概率相同,则将所述历史运行参数的评价特征归类为不合格。
进一步的,步骤S3中,若所述后验概率大于所述预设阈值,则判定所述待测空调外机对应的该类运行参数合格,反之则不合格。
进一步的,步骤S3中,还将合格与否的判断结果加入到所述历史数据中以更新所述先验概率。
进一步的,步骤S1中,利用贝叶斯算法对预先采集的连续时间段内待测空调外机的多种运行参数进行统计分析的数学模型为:
式中,Y表示样本的类别,K为空调外机评价特征类别数目,ck表示输出y的类别,如K=2时,k=1,2;i表示第i个数据集,N为输入的数据集总数;为示性函数,表示当括号里的条件满足时结果为1,否则结果为0;λ≥0,其等价于在统计的频数上赋予一个正数。
进一步的,步骤S2中,计算各类评价特征的概率的数学模型为:
其中,j为传感器数目,且j=1、2、3……n;Sj是样本点每个元素取值集合的个数;l代表将不同传感器采集到的连续数据划分为l类。
进一步的,步骤S3中,计算所述后验概率的数学模型为:
其中,Y表示运行参数样本的类别;K为空调外机评价特征类别数目,ck表示输出y的类别,如K=2时,k=1,2;N为输入的运行参数种类数;R为运行参数的种类数,X表示一个n维向量,R为运行参数的种类数,x表示给定输入。
进一步的,所述运行参数至少包括压力和电流;优选的,步骤S2中,在待测空调外机稳定运行的预设时间段内获取多种实时运行参数的方法为:当待测空调外机稳定运行第一预设时间段后,在第二预设时间段内逐秒获取多种实时运行参数;更优选的,所述第二预设时间段与所述第一预设时间段时间长度相同。
根据本发明的另一个方面,还公开一种基于贝叶斯的空调外机故障在线检测系统,包括:
先验概率获取模块,基于待测空调外机的每种历史运行参数,获取所述历史运行参数对应的各类评价特征的概率分布,以作为先验概率;
后验概率获取模块,基于待测空调外机稳定运行的第一预设时间段内多次获取的每种实时运行参数,计算每种所述实时运行参数对应的各类评价特征的概率,然后将该概率与所述先验概率进行贝叶斯数据融合,以获得后验概率;
判断模块,比较所述后验概率与预设阈值,基于比较结果判断所述待测空调外机是否故障。
通过本发明所构思的以上技术方案,与现有技术相比,主要具备以下优点:
1.本发明通过对空调外机上多种不历史运行参数进行快速、准确的分析和处理,以获取历史运行参数对应的各类评价特征对应的先验概率;然后在空调外机装配线的出厂检测环境下,在待测空调外机稳态运行至预设时间段后,在后续运行的一定时间段内,多次采集每种待测空调外机的实时运行参数,以获取复杂的异构数据,然后计算采集的一系列异构数据对应的不同评价特征的频数分布,再将计算得到的频数分布与先验概率通过贝叶斯数据融合获得后验概率,从而通过区别不同类型的外机,以及划分先验概率判断的范围,来克服常规数据融合的复杂性,使得空调外机的检测步骤简单,检测时间更少,获取数据的复杂性也进一步提高了空调外机在线检测的效率和准确性。
2.本发明提供了空调外机在线检测时计算频率分布、条件概率和后验概率的数学模型和实际检测的计算方法,该些计算方法通过引入随时间变化的过程检测值,用检测到的过程检测值(为第二预设时间段也为特定时长内,典型值如在空调外机稳定运行30秒之后的接下来30秒内,针对每种运行参数每秒取一个检测值)来计算空调外机的运行状态结果,这样能够获得更准确的空调外机合格与否的判断结果,并且检测方法步骤简便、计算速度快、检测效率更高。
3.本发明通过实时监控和调整空调外机设备的运行状态,采集实时运行参数数据,进行运算的同时将运算数据保存到本地数据库,即在空调外机检测时通过记录每台新检测的空调外机的计算数据来更新贝叶斯的先验概率,这样能够提高空调外机的安全性和稳定性,减少出厂后空调外机再次发生故障的概率。
附图说明
图1为本发明提供的基于贝叶斯的空调外机故障在线检测方法流程示意图;
图2是本发明提供的基于贝叶斯的空调外机故障在线检测方法中的计算过程示意图;
图3是本发明实施例1中空调外机故障在线检测过程示意图;
图4是本发明实施例1中基于贝叶斯融合识别算法的空调外机故障判断结果示意图;
图5是本发明实施例中空调外机检测多个检测工位的硬件结构示意图;
图6是本发明实施例中空调外机检测单个检测工位的硬件结构示意图;
图7是本发明实施例中空调外机检测系统的内部运行流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于贝叶斯的空调外机多传感器在线检测方法,包括以下步骤:
S1基于历史数据,利用贝叶斯算法对预先采集的连续时间段内待测空调外机的多种运行参数进行统计分析,以获得每种运行参数所需的多类评价特征的概率分布,并将概率分布作为先验概率;
然后判断待测空调外机运行时间是否满足预设时间,若满足则进行下一步,若不满足则结束检测;
S2在待测空调外机稳定运行的第一预设时间段内多次获取多种实时运行参数,并计算每种实时运行参数对应的各类评价特征的概率,然后将各类评价特征的概率与先验概率进行贝叶斯数据融合,以获得后验概率;前述的第一预设时间段的典型取值为30s;
在优选实施例中,在待测空调外机稳定运行的第一预设时间段内获取多种实时运行参数的方法为:当待测空调外机稳定运行第一预设时间段后,在第二预设时间段内逐秒获取多种实时运行参数;在更优选的实施例中,前述第二预设时间段与前述第一预设时间段时间长度相同,如均为30s、35s、38s等;
S3比较后验概率与对应的预设阈值,判断待测空调外机是否故障;具体的,如果前述的评价特征只有两类,即合格和不合格,若判断结果为合格则空调外机未故障,若判断结果不合格,则空调外机故障。
具体的,上述检测方法的检测原理为:假设在一个空调外机的随机检测中,n个互不相容的事件A(即多类评价特征,如合格或不合格)必会发生一个,且只能发生一个,则有:
其中,Ai表示第i个事件;
设B(检测空调外机的各类特征物理量,即多种运行参数)为上述n个事件之外的任一事件,则根据条件概率的定义及全概率公式,有:
p(A1),p(A2),...,p(An)表示A1,A2,...,An出现的可能性大小,这是在检测前就已经知道的事实,这种知识叫做“先验信息”(已有的检测数据);本实施例中先验信息有更确定的形状,即通过一个概率分布的形式给出,作为先验分布。在空调外机检测中,观测到事件B发生了,这样对事件B的可能性就有了新的估计或认识,这个知识是在检测后获得的,称之为“后验知识”,本实施例中也以一个概率分布的形式给出:
p(A1|B),p(A2|B),…p(An|B) (3)
并且数学模型(3)满足下的条件:
数学模型(3)即为“后验分布”,其综合了先验信息和试验过程中提供的新信息,形成了关于可能性大小的当前认识,这个由先验信息到后验信息的转化过程就是本发明中采用的贝叶斯统计的特征。
在一些实施例中,前述的步骤S1中,利用贝叶斯算法对预先采集的连续时间段内待测空调外机的多种运行参数进行统计分析的数学模型为:
式中,Y表示样本的类别,ck表示输出y的类别(如k=1,2,则c1表示空调合格的类别,c2表示空调不合格的类别),i表示第i个数据集,N为输入的数据集总数;K为空调外机评价特征类别数目;为示性函数,表示当括号里的条件满足时结果为1,否则结果为0;λ≥0,其等价于在统计的频数上赋予一个正数。
在一些实施例中,前述的步骤S2中,计算各类评价特征的概率的数学模型为:
其中,j为传感器数目,且j=1、2、3……n;Sj是样本点每个元素取值集合的个数;l代表将不同传感器采集到的连续数据划分为l类。
在一些实施例中,步骤S2中,计算后验概率的数学模型为:
其中,Y表示运行参数样本的类别;ck表示输出y的类别,如当k=1或2时,c1表示空调外机合格的类别,c2表示空调外机不合格的类别,N为输入的运行参数种类数;K为空调外机评价特征类别数目;R为运行参数的种类数,X表示n维向量,R为运行参数的种类数,x表示给定输入,即表示实际获取的实时运行参数组成的多维向量。
在一些实施例中,前述的评价特征至少包括合格特征和不合格特征;在另一些实施例中,评价特征还可以包含其他评价类别,使得评价结果更多元。
在一些实施例中,步骤S1中,若计算得到的合格特征和不合格特征的概率相同,则将该些合格特征划分至不合格特征类型中;即若历史运行参数的合格特征和不合格特征的概率相同,则将该历史运行参数的评价特征全部归类为不合格,以使得评价结果更精确。
在一些实施例中,步骤S3中,若后验概率大于预设阈值,则判定待测空调外机对应的该类运行参数合格,反之则不合格,判断方法准确简便。
在一些实施例中,前述运行参数至少包括压力和电流两种参数,还可以包括温度等运行参数,运行参数种类越多,判断结果越准确;
在一些实施例中,步骤S3中,还将合格与否的判断结果加入到历史数据中以更新先验概率,进一步提升后续其他空调外机检测结果的准确率。
下面通过具体实施例详细说明本发明的实施细节。
实施例1
结合图2-3所示,在空调外机的检测中,假设有R个信息源(包括电压、电流、压力、温度等传感器),该些信息源均能采集待测空调外机的运行参数信息,运行参数信息用R维向量表示,且每一个信息源基于观测和特定的分类算法能提供一个关于目标身份的说明(即假设)。
将每种信息源采集的信息(比如检测的电压、电流、温度等)都划分为K类评价等级,即K个评价目标,以此来表示第i个信息源关于目标身份的假设;现假设需要对K个评价等级进行分类,输入X是一个n维向量,输出Y表示运行参数样本的类别,ck表示输出y的类别,则可得:
如图2所示,利用贝叶斯进行融合识别算法的主要步骤包括:
(1)将前述每个信息源关于目标的观测转化为目标身份的假设X;
(2)然后计算信息源关于目标身份假设的不确定性:
P(X=x|Y=ck)=P{X(1)=x(1),X(2)=x(2),…,X(n)=x(n)|Y=ck} (10)
(3)最后计算目标身份的融合概率:
X中的各维向量相互独立,则
实际检测时,根据空调外机检测现场现有的历史数据集,以及将检测系统的评价等级确定为合格和不合格两类,即前述的K为2,k=1,2,在空调外机运行稳定阶段最后几秒(如可取典型值5秒),对每种运行参数每秒获取1个数据,共获取n个数据,按照前述步骤(1)-(3)中的公式计算数据结果,即计算采集到的各种空调外机运行时的功率、压力、温度参数等对应的评价等级的概率分布;
具体的,本实施例中,在空调外机多传感器在线检测中,根据空调外机的固有特性和现场的检测重要性,针对空调外机的运行状态,选取功率、冷媒压力和温度3种运行参数作为各传感器(即信息源)采集的数据,当开始检测的时间达到指定时间(即前述步骤S2中的空调外机运行达到预设运行时间)后,外机运行状态趋于稳定,在连续时间段内多次采集各种运行参数,然后按照图2中的计算流程开始计算此时采集到的空调外机运行时的功率、压力、温度对应的合格和不合格的概率结果,该计算结果即为贝叶斯模型里的后验概率,之后再通过极大似然估计法来确定外机的合格与否并输出分类结果(即图2中的统计决策和融合身份说明),同时把此次的判断数据加入到先验概率中,及时更新先验概率,以提高后续空调外机检测的准确性。
本实施例中,检测方法的算法计算过程具体为:
先验概率P{Y=ck}的贝叶斯估计模型构建为:
式中,N为图3中传入数据集的总数,空调外机评价特征类别为K=2:即合格和不合格,k=1,2;为示性函数,λ≥0,等价于在统计的频数上赋予一个正数,当λ=0时等价于极大似然估计法,当取λ=1时则为拉普拉斯平滑。
条件概率P{Xj=xj|Y=ck}的贝叶斯估计模型构建为:
由于前面采集了3个传感器数据作为数据源,这里数据源数目j取1、2、3;式中,Sj是样本点每个元素可能取值集合的个数。
对于给定输入x,利用下述公式计算后验概率:
然后输出合格或不合格的判断结果:
若合格和不合格概率一样,则将合格类型也划分到不合格类型中。
最后对输出的评价结果和预设阈值(根据历史数据确定的空调外机运行参数的合格数据)比较,来判断空调外机是否存在故障或异常,并及时对空调外机作出处理和维修。
具体的,如图4所示,为针对4种不同型号的空调外机按照本实施例的在线检测方法进行检测后所展示的输出结果,检测过程中采集的运行数据种类为各空调外机的功率和压力,图中清晰地呈现了二维功率和压力对应的合格和不合格空调外机的分布情况,图4的a中为12800型号的空调外机的检测结果,图4的b中为40016型号的空调外机的检测结果,图4的c中为17800型号的空调外机的检测结果,图4的d中为12602型号的空调外机的检测结果。值得注意的是,图中4种类型空调外机的不合格品(即x号表示的阴影部分)的功率、压力参数位于边界处,因此这些不合格品可以被轻易地挑出,在检测后需特别关注和处理这些位于边界处的不合格品,以提高空调外机的质量。
应当知晓,在本发明之前,还未有任何空调外机的检测方法采用了本发明所采用的检测方法,也没有任何空调外机检测方法或近似设备的出厂检测方法能够克服本发明所要克服的问题以及所达到的效果,因此本发明结合贝叶斯数据融合算法对空调外机进行出厂检测是具有开创性的。
实施例2
本实施例中公开一种基于贝叶斯的空调外机故障在线检测系统,能够实现上述任意一个实施例中的检测方法,该系统具体包括:
先验概率获取模块,用于基于历史数据,利用贝叶斯算法对预先采集的连续时间段内待测空调外机的多种运行参数数据集进行统计分析,以获得每种运行参数所需的多类评价特征的概率分布(即合格特征和不合格特征的频数分布),并将该概率分布作为先验概率;
后验概率获取模块,用于在待测空调外机稳定运行的预设时间段内多次获取多种实时运行参数,并计算每种实时运行参数对应的各类评价特征的概率,然后将各类评价特征的概率与对应的先验概率进行贝叶斯数据融合,以获得后验概率;
判断模块,用于分别比较预设阈值与后验概率,判断待测空调外机是否故障。
在优选实施例中,前述系统还包括一个运行时间判断模块,其用于在先验概率获取模块获取先验概率后判断待测空调外机运行时间是否满足预设时间,若满足则进行下一步,若不满足则结束检测。
利用上述检测系统进行检测的步骤包括:
步骤1:配置空调外机在线检测系统的多传感器数据采集装置,分别采集空调外机运行时的多项参数,包括压力、温度、电流等参数,并将采集的数据发送到数据处理装置中进行处理。
步骤2:利用历史数据对采集数据进行统计分析,得出不同参数的频率分布,并根据频率分布利用贝叶斯数据融合赋予先验概率,这些先验概率将被用于后续的贝叶斯计算。
步骤3:利用极大似然估计方法,对系统检测的物理量进行计算,包括但不限于冷媒压力、冷媒温度等,并将计算结果和赋予的先验概率进行贝叶斯数据融合,以得到后验概率,最后比较后验概率与预设阈值的大小来输出空调外机好坏的评价结果。
在另一些实施例中,检测系统的硬件结构如图5和6所示,具体采用PLC模块、kingSCADA软件和Visual Studio开发工具等搭建出检测系统,相关模块及模块间的连接关系均为本领域技术人员使用的常规技术手段,在此不再赘述。如图7所示,为本发明中检测系统的操作流程图,PLC模块控制检测开始后,系统上电,然后判断触摸屏显示是否正常,如果不正常则持续进行检测系统上电,如果正常则查看空调外机检测数据;然后判断空调外机检测数据是否正常,若是,则对空调外机进行ID扫码以识别空调外机身份,若否,则重新上电;ID扫码成功后启动检测,利用kingSCADA软件和Visual Studio开发工具中搭载的计算程序进行具体的数据运算,并将最终的数据运算结果展示到PLC上的触摸屏中。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于贝叶斯的空调外机多传感器在线检测方法,其特征在于,包括以下步骤:
S1基于待测空调外机的每种历史运行参数,获取所述历史运行参数对应的各类评价特征的概率分布,以作为先验概率;
S2基于待测空调外机稳定运行的第一预设时间段内多次获取的每种实时运行参数,计算每种所述实时运行参数对应的各类评价特征的概率,然后将该概率与所述先验概率进行贝叶斯数据融合,以获得后验概率;
S3比较所述后验概率与预设阈值,基于比较结果判断所述待测空调外机是否故障。
2.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,所述评价特征至少包括合格特征和不合格特征。
3.如权利要求2所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S1中,若所述历史运行参数的合格特征和不合格特征的概率相同,则将所述历史运行参数的评价特征归类为不合格。
4.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S3中,若所述后验概率大于所述预设阈值,则判定所述待测空调外机对应的该类运行参数合格,反之则不合格。
5.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S3中,还将合格与否的判断结果加入到所述历史数据中以更新所述先验概率。
6.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S1中,利用贝叶斯算法对预先采集的连续时间段内待测空调外机的多种运行参数进行统计分析的数学模型为:
式中,Y表示样本的类别,K为空调外机评价特征类别数目,ck表示输出y的类别,如K=2时,k=1,2,i表示第i个数据集,N为输入的数据集总数;为示性函数,表示当括号里的条件满足时结果为1,否则结果为0;λ≥0,其等价于在统计的频数上赋予一个正数。
7.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S2中,计算各类评价特征的概率的数学模型为:
其中,j为传感器数目,且j=1、2、3……n;Sj是样本点每个元素取值集合的个数;l代表将不同传感器采集到的连续数据划分为l类。
8.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,步骤S2中,计算所述后验概率的数学模型为:
其中,Y表示运行参数样本的类别;K为空调外机评价特征类别数目,ck表示输出y的类别,如K=2时,k=1,2;N为输入的运行参数种类数;R为运行参数的种类数,X表示一个n维向量,R为运行参数的种类数,x表示给定输入。
9.如权利要求1所述的一种基于贝叶斯的空调外机故障在线检测方法,其特征在于,所述运行参数至少包括压力和电流;优选的,步骤S2中,在待测空调外机稳定运行的预设时间段内获取多种实时运行参数的方法为:当待测空调外机稳定运行第一预设时间段后,在第二预设时间段内逐秒获取多种实时运行参数;更优选的,所述第二预设时间段与所述第一预设时间段时间长度相同。
10.一种基于贝叶斯的空调外机故障在线检测系统,其特征在于,包括:
先验概率获取模块,基于待测空调外机的每种历史运行参数,获取所述历史运行参数对应的各类评价特征的概率分布,以作为先验概率;
后验概率获取模块,基于待测空调外机稳定运行的第一预设时间段内多次获取的每种实时运行参数,计算每种所述实时运行参数对应的各类评价特征的概率,然后将该概率与所述先验概率进行贝叶斯数据融合,以获得后验概率;
判断模块,比较所述后验概率与预设阈值,基于比较结果判断所述待测空调外机是否故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311172967.3A CN117308274A (zh) | 2023-09-12 | 2023-09-12 | 一种基于贝叶斯的空调外机故障在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311172967.3A CN117308274A (zh) | 2023-09-12 | 2023-09-12 | 一种基于贝叶斯的空调外机故障在线检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117308274A true CN117308274A (zh) | 2023-12-29 |
Family
ID=89261251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311172967.3A Pending CN117308274A (zh) | 2023-09-12 | 2023-09-12 | 一种基于贝叶斯的空调外机故障在线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117308274A (zh) |
-
2023
- 2023-09-12 CN CN202311172967.3A patent/CN117308274A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
WO2014034273A1 (ja) | 設備状態監視方法及び設備状態監視装置 | |
CN105467975A (zh) | 一种设备故障诊断方法 | |
WO2002057856A2 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN111444953A (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
CN111723925B (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 | |
JP2017010232A (ja) | プラント診断装置及びプラント診断方法 | |
CN117972614B (zh) | 一种移动电源充放电过程中的温度实时监测方法 | |
CN112685216A (zh) | 基于趋势分析的设备异常监测系统及方法 | |
CN114297264B (zh) | 一种时序信号异常片段检测方法及系统 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN117308274A (zh) | 一种基于贝叶斯的空调外机故障在线检测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
Li et al. | A similarity-based and model-based fusion prognostics framework for remaining useful life prediction | |
KR102566084B1 (ko) | 학습 장치, 불량 검지 장치, 및 불량 검지 방법 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN116166980A (zh) | 一种电力设备的故障诊断方法及装置 | |
Soualhi et al. | Remaining useful life estimation of turbofan engines using adaptive fault detection learning | |
CN116383752B (zh) | 电机堵转分析方法及系统 | |
Hu et al. | Detection of chiller energy efficiency faults using expectation maximization | |
CN118468190A (zh) | 一种奶油配比检测方法及管理系统 |
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 |